Download (1307Kb) - Suleyman Demirel University Research ...

T.C.
SÜLEYMAN DEMİREL ÜNİVERSİTESİ
SOSYAL BİLİMLER ENSTİTÜSÜ
İŞLETME ANABİLİM DALI
TURİZM SEKTÖRÜNDE TALEP TAHMİNİ İÇİN YAPAY SİNİR
AĞLARI KULLANIMI VE DİĞER YÖNTEMLERLE
KARŞILAŞTIRMALI ANALİZİ
(ANTALYA İLİNİN DIŞ TURİZM TALEBİNDE UYGULAMA)
DOKTORA TEZİ
MURAT ÇUHADAR
Tez Danışmanı:
PROF. DR. İBRAHİM GÜNGÖR
ISPARTA, 2006

İÇİNDEKİLER DİZİNİ
i
Sayfa No
İÇİNDEKİLER……………………………………………………………………….i
KISALTMALAR DİZİNİ……………………………………………………………v
ŞEKİLLER DİZİNİ…………………………………………………………………vii
TABLOLAR DİZİNİ……………………………………………………………….viii
ÖZET………………………………………………………………………………....x
ABSTRACT…………………………………………………………………………xi
GİRİŞ………………………………………………………………………………...1
BİRİNCİ BÖLÜM
TURİZM VE TURİZM TALEBİ
1.1. Turist, Ziyaretçi ve Günübirlikçi………… …………………………….……...10
1.2. Dünyada Turizmin Tarihsel Gelişimi…………………………………………..15
1.3. Türkiye’de Turizmin Tarihsel Gelişimi……………………………………..….24
1.3.1. Planlı Dönem Öncesinde Türkiye’de Turizm………………………………...24
1.3.2. Planlı Dönemde Türkiye’de Turizmin Gelişimi…………………..……….…26
1.4. Turizmin Ekonomik Etkileri ve Türkiye Ekonomisindeki Yeri………………..32
1.5. Turizm Talebi………………………………………………………….…..……37
1.5.1. Turizm Talebinin özellikleri………………………………………………….39
1.5.2. Turizm Talebi Tahminlerinin Önemi……………………………….…….…..40
1.5.3. Turizm Talebini Etkileyen Faktörler……………………………….………...42
1.5.3.1. Ekonomik Faktörler………………………………………………………...43
1.5.3.1.1. Turistik Ürün ve Hizmet Fiyatları………………………………………...44
1.5.3.1.2. Harcanabilir Gelir…………………………………………………..….…47
1.5.3.1.3. Döviz Kurları…………………………………………………….……….50
1.5.3.1.4. Uzaklık……………………………………………………………………51
1.5.3.1.5. Tanıtım ve Reklam……………………………………………….……….52
1.5.3.2. Toplumsal ve Demografik Faktörler……………………………….…….…53
1.5.3.2.1. Yaş, Cinsiyet ve Aile Yapısı……………………………………….….….54
1.5.3.2.2. Eğitim Düzeyi………………………………………………….…………55
1.5.3.2.3. Meslek…………………………………………………………………….55

1.5.3.2.4. Boş (Serbest) Zaman…………………………………………...…………56
1.5.3.2.5. Moda, Zevk ve Alışkanlıklar……………………………………………..57
1.5.4. Turizm Talebini Sınırlayan Faktörler……………………………………...…59
1.5.4.1. Devlet Kontrolleri…………………………………………………………..59
1.5.4.2. Seyahatlerin Vergilendirilmesi……………………………………………..61
1.5.4.3. Uluslararası Siyasi Ortam…………………………………………………..61
İKİNCİ BÖLÜM
TAHMİN YÖNTEMLERİ
2.1. Nitel Tahmin Yöntemleri……………………………...………..…….…..……63
2.1.1. Delphi Yöntemi……………………………………………..……………......64
2.1.2. Senaryo Analizi…………………………………………………..…………..66
2.1.3. Uzman Panelleri……………………………………………………...……….68
2.2. Nicel Tahmin Yöntemleri…………………………………………….…..….....68
2.2.1. İlişkiye Dayalı Yöntemler…………………………………………….…..…..69
2.2.2. Zaman Serisi Yöntemleri…………………………………………….….....…71
2.2.2.1. Mekanik (Naïve) Tahmin Yöntemi…………………………………..……..75
2.2.2.2. Hareketli Ortalamalar Yöntemi…………………………………………..…76
2.2.2.2.1. Basit Hareketli Ortalama…………………………………………….…....76
2.2.2.2.2. Ağırlıklı Hareketli Ortalama…………………………….…………......…77
2.2.2.2.3. Çift Hareketli Ortalama……………………………………………..….…77
2.2.2.3. Üstel Düzleştirme Yöntemleri…………………………………...….……...78
2.2.2.3.1. Tekli (Basit) Üstel Düzleştirme Yöntemi………………………..……….79
2.2.2.3.2. Brown’un Tek Parametreli Doğrusal Üstel Düzleştirme Yöntemi…….....79
2.2.2.3.3. Holt’un Çift Parametreli Doğrusal Üstel Düzleştirme Yöntemi……….....80
2.2.2.3.4. Brown’un İkinci Derece Üstel Düzleştirme Yöntemi………………….....81
2.2.2.3.5. Mevsimsel Üstel Düzleştirme – Winters Yöntemi…………..……….…..82
2.2.2.3.6. Diğer Üstel Düzleştirme Yöntemleri…………………………..….……...85
2.2.2.4. Box-Jenkins (ARIMA) Yöntemi………………………………………..…..85
2.2.2.4.1. Yönteme İlişkin Kavramlar……………………………………..………...86
2.2.2.4.2. Durağan ARIMA Modelleri……………………………………..….…….92
2.2.2.4.2.a. Otoregresif Modeller: AR(p)…………………………………..….…….92
2.2.2.4.2.b. Hareketli Ortalama Modelleri: MA(q)…………………………..….…..94
ii

2.2.2.4.2.c. Otoregresif Hareketli Ortalama Modeli: ARMA (p,q)…………..……..95
2.2.2.4.3. Durağan Olmayan ARIMA Modelleri………………….……………...…96
2.2.2.4.3.a. Otoregresif Entegre Hareketli Ortalama Modeli: ARIMA(p,d,q)……...96
2.2.2.4.4. Mevsimsel ARIMA Modelleri……………………………………………98
2.2.2.4.4.a. Mevsimsel Otoregersif Modeller: SAR(P)…………………………..…99
2.2.2.4.4.b. Mevsimsel Hareketli Ortalama Modeli: SMA(Q)……………………...99
2.2.2.4.4.c. Mevsimsel ARMA Modelleri: SARMA(P,Q)………………………...100
2.2.2.4.4.d. Mevsimsel ARIMA Modelleri: SARIMA(P,D,Q)………………..…..101
2.2.2.4.5. Box-Jenkins Yönteminin Uygulama Aşamaları………………...………103
2.2.2.4.5.a. Belirleme……………………………………………………….…..….104
2.2.2.4.5.b. Model Parametrelerinin Tahmini………………………………..…….106
2.2.2.4.5.c. Modelin Uygunluğunun Test Edilmesi………………………..………107
2.2.2.4.5.d. İleriye Yönelik Öngörü………………………………………..………109
2.2.3. Öngörü Doğruluğunun Ölçümü……………………………………...….......110
2.3. Yapay Sinir Ağları…………………………………………………....…….…114
2.3.1. Biyolojik Sinir Hücreleri…………………………………………………….115
2.3.2. Yapay Sinir Hücreleri.………………………………………………………116
2.3.3. Yapay Sinir Ağının Yapısı…………………………………………………..118
2.3.4. Yapay Sinir Ağlarında Öğrenme……………………………………………119
2.3.4.1. Danışmanlı Öğrenme……………………………………………………..121
2.3.4.2. Danışmansız Öğrenme…………………………………………………….122
2.3.4.3. Takviyeli Öğrenme………………………………………………………..123
2.3.5. Yapay Sinir Ağı Mimarileri…………………………………………………123
2.3.5.1. İleri Beslemeli Yapay Sinir Ağları………………………………………..124
2.3.5.2. Geri Beslemeli Yapay Sinir Ağları………………………………………..124
2.3.6. Yapay Sinir Ağlarının Özellikleri…………………………………………...125
ÜÇÜNCÜ BÖLÜM
ANTALYA İLİNE YÖNELİK DIŞ TURİZM TALEBİNİN
YAPAY SİNİR AĞLARI VE ZAMAN SERİSİ YÖNTEMLERİ İLE
TAHMİNLERİ
3.1. Literatür Taraması…………………………………………………………..…128
3.2. Araştırmanın Amacı……………………………………………………….......133
iii

3.3. Araştırma Alanının Seçimi……………………………………………………134
3.4. Araştırmada Kullanılan Nicel Tahmin Yönteminin Seçimi…………………...135
3.5. Araştırmada Kullanılan Veriler………………………………………….……138
3.6. Araştırmanın Yöntemi…………..……………………………....………….…139
3.6.1. Verilerin Zaman Serisi Bileşenlerinin İncelenmesi………..…….……….…139
3.6.2. Mekanik Tahmin Yönteminin Uygulanması………………………………..143
3.6.3. Hareketli Ortalama Yönteminin Uygulanması……………………………...143
3.6.4. Mevsimsel Üstel Düzleştirme (Winters) Yönteminin Uygulanması………..144
3.6.5. Box-Jenkins Yönteminin Uygulanması……………………………………..145
3.6.6. Yapay Sinir Ağı Yönteminin Uygulanması…………………………………154
3.6.7. Yöntemlerin Karşılaştırılması ve Antalya İline Yönelik Dış Turizm Talebi
Tahminlerinin Yapılması……..………………………………………….…157
SONUÇ VE ÖNERİLER…………………………….…………………………..159
KAYNAKÇA………………………………………………..………….…………161
EKLER….……………………………………………………..…………………..174
ÖZGEÇMİŞ..……………………………………….……………………………...177
iv

a.g.e. adı geçen eser
ACF Aouto Correlation Function
ADF Augmented Dickey – Fuller
AIC Akaike Information Criterion
KISALTMALAR DİZİNİ
AID Agency for International Developmnet
AIEST Association International d’Experts Scientifiques du Turisme
ANN Artificial Neural Networks (Yapay Sinir Ağları)
AR Otoregresif Süreç
ARMA Otoregresif Hareketli Ortalama Süreci
ARIMA Otoregresif Entegre Hareketli Ortalama Süreci
BDT Bağımsız Devletler Topluluğu
DF Dickey – Fuller
DİE Devlet İstatistik Enstitüsü
DPT Devlet Planlama Teşkilatı
EKK En Küçük Kareler
FPE Final Prediction Error
GSMH Gayri Safi Milli Hasıla
IUOTO International Union for Official Tourism Organizations
KOKF Kısmi Oto Korelasyon Fonksiyonu
KOKK Kısmi Oto Korelasyon Katsayısı
MA Hareketli Ortalama Süreci
MAE Mean Absolute Error (Ortalama Mutlak Hata)
MAPE Mean Absolute Percentage Error (Ortalama Mutlak Yüzde Hata)
v

MPE Mean Percentage Error (Ortalama Yüzde Hata)
MSE Mean Squared Errors (Hata Kareleri Ortalaması)
OECD Organization for Economic Cooperation and Development
OKF Oto Korelasyon Fonksiyonu
OKK Oto Korelasyon Katsayısı
PACF Partial Auto Correlation Function
RMSE Root Mean Squared Errors
s. Sayfa
SAR Mevsimsel Otoregresif Süreç
SARMA Mevsimsel Otoregresif Hareketli Ortalama Süreci
SARIMA Mevsimsel Otoregresif Entegre Hareketli Ortalama Süreci
SBC Schwarz Bayesian Criterion
SICTA Standard International Classification of Tourism Services
SMA Mevsimsel Hareketli Ortalama Süreci
SSE Sum of Squared Errors (Hata Kareleri Toplamı)
TUGEV Turizm Geliştirme ve Eğitim Vakfı
TURSAB Türkiye Seyahat Acenteleri Birliği
TÜFE Tüketici Fiyatları Endeksi
vd. ve diğerleri
WTO World Tourism Organization (Dünya Turizm Örgütü)
WTTC World Travel&Tourism Council (Dünya Seyahat ve Turizm Konseyi)
vi

ŞEKİLLER DİZİNİ
vii
Sayfa No
Şekil 1.1. Esnek ve Esnek Olmayan Talep Eğrileri……………………….………..45
Şekil 1.2. Farklı Turizm Türleri için Talebin Gelir Esnekliği………………………49
Şekil 1.3. Veblen Talep Eğrisi………………………………………………………58
Şekil 2.1. Box-Jenkins Yönteminin Uygulama Aşamaları………………………...104
Şekil 2.2. Biyolojik Sinir Hücresi ve Bileşenleri…………………………………..116
Şekil 2.3. Yapay Sinir Hücresi (Nöron)……………………………………………117
Şekil 2.4. Çok Katmanlı Bir Yapay Sinir Ağı…………………………………..…119
Şekil 2.5. İleri Beslemeli Yapay Sinir Ağının Blok Gösterimi……………………124
Şekil 2.6. Geri Beslemeli Yapay Sinir Ağının Blok Gösterimi……………………125
Şekil 3.1. Antalya İline Gelen Yabancı Turistler Serisi Kartezyen Grafiği
(Ocak 1992 – Aralık 2005)……………………………………………...140
Şekil 3.2. Antalya İline Gelen Yabancı Turistler Serisi Trend ve Konjonktürel
Bileşenleri Kartezyen Grafiği……………………………..……….…...141
Şekil 3.3. Mevsimsel Etkilerden Arındırılmış Antalya İline Gelen Yabancı
Turistler Serisi Kartezyen Grafiği………………………………….…...142
Şekil 3.4. LNATS Serisi Zaman Grafiği………………………………………..…145
Şekil 3.5. ∆LnATS Serisinin Oto Korelasyon Kısmi Oto Korelasyon
Fonksiyonu………………………………………………………………147
Şekil 3.6. ∆∆12LNATS Serisi Zaman Grafiği…………………..………………….148
Şekil 3.7. ∆∆12LANTS Serisinin Oto Korelasyon ve Kısmi Oto Korelasyon
Fonksiyonu.………..……………………………………………………149
Şekil 3.8. ARIMA(1,1,1)(1,1,1)12 Modeline Ait Artıklar Serisinin Oto Korelasyon ve
Kısmi Oto Korelasyon Fonksiyonu……………..……………………..152
Şekil 3.9. “OS3” Yapay Sinir Ağı Modelinde Kullanılan Veri Matrisi…………...156
Şekil 3.10. Denemeler Sonucunda Elde edilen Yapay Sinir Ağı Modeli………….156

TABLOLAR DİZİNİ
Tablo 1.1. Yıllara Göre Uluslararası Turizme Katılan Kişi Sayısı ve Turizm
viii
Sayfa No
Gelirleri……………………………………………………….…….…...20
Tablo 1.2. Uluslararası Turizm Hareketleri (2004)…………………………………21
Tablo 1.3. Dünyada En Fazla Turist Kabul Eden ve Turizm Gelirine Sahip Ülkeler
(2004)…………………………………………..………………….……..22
Tablo 1.4. 2010 ve 2020 Yılları İçin Bölgelere Göre Uluslararası Turizm Talebi
Tahminleri…………………………………………………………..……23
Tablo 1. 5. Planlı Dönem Öncesinde Türkiye Turizmine İlişkin Veriler……….…..26
Tablo 1.6. Türkiye’de Turist Sayısı, Turizm Gelirleri ve Tesis Kapasitesinin
Gelişimi (1980-2004)…………………………….……………….……..30
Tablo 1.7. Türkiye’ye Gelen Turistlerin Milliyetlerine Göre Dağılımı…………….32
Tablo 1.8. Yıllar İtibariyle Türkiye’de Turizm Gelirlerinin GSMH İçindeki Payı....34
Tablo 1.9. Yıllar İtibariyle Türkiye’de Turizm Gelirlerinin İhracat Gelirleri İçindeki
Payı………………………………..…………………………………….35
Tablo 2.1. Durağan Box-Jenkins Modellerinde OKF ve KOKF’larının Seyri……105
Tablo 3.1. Türkiye’ye Gelen Ziyaretçilerin Başlıca Turistik Merkezlere Göre
Dağılımı………………..……………………………………................134
Tablo 3.2. Türkiye’deki Belgeli Turizm İşletmelerinin Başlıca Turistik Merkezlere
Göre Dağılımı (2004)…………………….……………………………135

Tablo 3.3. Antalya İline Gelen Yabancı Turistler Serisi Mevsim İndeks
Değerleri……………………………….……………………………...142
Tablo 3.4. ARIMA Modeli Başlangıç Tahminleri…………………….…………..151
Tablo 3.5. ARIMA (1,1,1,)(1,1,1,)12 Modeli Tahmini………………………….....151
2
Tablo 3.6. Artıklar Serisinin Çeşitli Gecikmeleri İçin Q* İstatistiği ve χ
Değerleri…………………………….……..…………………………..153
Tablo 3.7. Farklı Mimarilere Sahip Yapay Sinir Ağı Modelleri ile Yapılan Deneme
Sonuçları…………………..…………………………………………...155
Tablo 3.8. Farklı Yöntemlerin Öngörü Doğruluklarının Karşılaştırılması........…..157
Tablo 3.9. 2006 ve 2007 Yılları İçin Aylar İtibariyle Antalya İline Yönelik Dış
Turizm Talebi Tahminleri………………………………..…………….158
ix

ÖZET
TURİZM SEKTÖRÜNDE TALEP TAHMİNİ İÇİN YAPAY SİNİR AĞLARI
KULLANIMI VE DİĞER YÖNTEMLERLE KARŞILAŞTIRMALI ANALİZİ
(ANTALYA İLİNİN DIŞ TURİZM TALEBİNDE UYGULAMA)
Murat ÇUHADAR
Süleyman Demirel Üniversitesi, İşletme Anabilim Dalı
Doktora Tezi, 189 Sayfa, Haziran 2006
Danışman: Prof. Dr. İbrahim GÜNGÖR
Bu çalışmada zaman serisi yöntemlerinden, “Mekanik Tahmin (Naive III),
“Hareketli Ortalamalar”, Üstel Düzleştirme”, “Box-Jenkins (ARIMA)” ve “Yapay
Sinir Ağları” yöntemlerinin öngörü doğruluklarını karşılaştırarak en yüksek
doğruluğu sağlayan yöntem belirlenmesi ve belirlenen yöntem yardımıyla 2006–
2007 yılları için Antalya iline yönelik dış turizm talebinin aylar itibariyle tahmin
edilmesi amaçlanmıştır. Araştırmada, dış turizm talebinin ölçüsü olarak gelen toplam
yabancı turist sayıları alınmış ve Ocak 1992 – Aralık 2005 döneminde Antalya iline
gelen aylık yabancı turist sayısı verilerinden yararlanılmıştır. Aylık veriler, mevsim
ve trend bileşenlerinin ele alınarak daha detaylı incelemeler yapılabilmesi için tercih
edilmiştir.
Uygulanan yöntemlerden elde edilen öngörü sonuçlarının değerlendirilmesi
neticesinde, “Winters’ın Mevsimsel Üstel Düzleştirme” ve “Çarpımsal–Mevsimsel
Box-Jenkins” yöntemleri ile yapılan öngörülerin oldukça iyi sonuçlar verdiği ancak,
çalışmada kullanılan yöntemler içerisinde en yüksek öngörü doğruluğunu sağlayan
ve gerçek değerlere en yakın sonuçları veren yöntemin, “Yapay Sinir Ağları” olduğu
görülmüştür. Antalya iline gelen yabancı turist sayıları serisinin yapay sinir ağları ile
modellenmesinde, literatürdeki farklı görüşler dikkate alınarak orijinal seri ve
mevsimsel ayrıştırma yöntemi ile elde edilen mevsimsel etkilerden arındırılmış seri
olmak üzere iki ayrı veri seti kullanılarak oluşturulan farklı ağ yapılarının öngörü
başarıları incelenmiştir. Yapılan çok sayıda deneme sonucunda orijinal seri değerleri
kullanılarak oluşturulan 12 gecikmeli yapay sinir ağı modelinin en yüksek doğruluğu
sağladığı görülmüş ve elde edilen model yardımıyla 2006 ve 2007 yılları için
Antalya iline yönelik aylık dış turizm talebi tahminleri yapılmıştır. Modelde, “ileri
sürümlü (feed forward)” ağ yapısı kullanılmış, parametrelerin güncellenmesi için
“hata geriye yayma (back propagation)” algoritmasından yararlanılmıştır.
Gerek bu çalışmadan elde edilen sonuçlar, gerekse daha önce yapılan
çalışmalardan elde edilen sonuçlar dikkate alındığında; aşırı eğitme, mimarinin hatalı
oluşturulması vb. problemleri olmayan yapay sinir ağı modellerinin, diğer
yöntemlerle kurulan modellere göre daha iyi sonuçlar verdiği görülmektedir. Bu
nedenle verilerin yapısına en uygun mimarilerin oluşturulması için özen göstermek
gerekmektedir
Anahtar Kelimeler: Turizm Talebi, Tahmin Yöntemleri, Yapay Sinir Ağları
x

ABSTRACT
FORECASTING TOURISM DEMAND BY ARTIFICIAL NEURAL
NETWORKS AND TIME SERIES METHODS (A COMPARATIVE
ANALYSIS IN INBOUND TOURISM DEMAND TO ANTALYA)
Murat ÇUHADAR
Süleyman Demirel University, Department of Business Administration
Ph. D. 188 Pages, June 2006
Supervising Professor: Prof. Dr. İbrahim GÜNGÖR
In this study, it is aimed to determine the forecasting method that provides the
best performance when compared the forecast accuracy of naive model, simple
moving averages, exponential smoothing, Box-Jenkins (ARIMA) as time series
techniques and artificial neural networks (ANNs) to estimate the monthly inbound
tourism demand to Antalya for years 2006 and 2007 via the method giving best
results. In this research it is used the total number of foreign tourist arrivals as a
measure of inbound tourism demand and monthly foreign tourist arrivals to Antalya
in the period of January 1992 – December 2005 data were utilized to build
appropriate model. The monthly data were prefered to be able to more detailed
analyse by taking into account of seasonal and trend components.
As a conclusion of the assesment of experimental results, it has been
observed that forecasts by the methods “Winter’s seasonal exponential smoothing”
and “multicaptive-seasonal ARIMA” have provided quite good results and on the
other hand artificial neural network model has showed best forecast accuracy with
lowest deviation among the techniques applied in this research. In the process of
modelling the number of foreign tourist data by artificial neural networks, it is
analyzed the ex post forecast accuracy of differant network architechtures constituted
by both unpreprocessed and seasonally adjusted data taking into account of the
distinct viewpoints in related studies. As a consequence of several attempts it has
been observed that 12 lagged artificial neural network model formed by utilizing the
unpreprocessed raw data has presented best performance and by the means of this
model it has been forecasted the monthly inbound tourism demand to Antalya for
years 2006 and 2007. In this model “feed forward back propagation” network
structure has been utilized.
Considering the results attained by not only this study but also most of recent
studies, it is seen that the artificial neural network models without problems such as
overtraining, structural failures etc.. outperform the results of other forecasting
techniques. Therefore, it ought to be attentive to constitute appropriate model that fit
the structure of data.
Keywords: Tourism Demand, Forecasting Methods, Artificial Neural Networks
xi

GİRİŞ
Turizm, döviz girdisini arttırıcı, istihdam yaratıcı özellikleriyle ulusal
ekonomiye katkıda bulunan, uluslararası kültürel ve toplumsal iletişimi sağlayıcı ve
bütünleştirici etkisi ile dünya barışının korunmasında büyük payı olan sektörlerden
birisi konumundadır. Günümüzde ekonomik ve kitlesel bir olgu haline gelen turizm
sektörünün, ülke ekonomileri üzerindeki olumlu etkileri, ekonomik yönünü daha da
ön plana çıkarmıştır. Turizm, ilgili ülkelerde yarattığı ekonomik sonuçlar açısından
değerlendirildiğinde, bütün ülkelerin bu sonuçlardan yararlanmak için büyük çaba
gösterdiği bir faaliyet olarak kabul edilmektedir. Özellikle ödemeler dengesine olan
katkısı ve doğurduğu ekonomik canlılık, pek çok ülke için turizmi cazip bir hale
getirmiş olup kalkınma planlarında geniş bir yer verilmesini sağlamıştır. Bir ülke
ekonomisi için turizm bir kazanç kaynağı ve döviz girdisi sağlayan olay olarak ne
kadar önemli ise, bölgeler arası ekonomik dengesizliğin giderilmesi, yeni iş
alanlarının açılması sayesinde işsizliğin azaltılması, tarım, ulaştırma, hizmetler ve
diğer turizmle doğrudan ve dolaylı olarak ilgili bulunan ticari faaliyetlerin canlılık
kazanması ve üretimin artırılması gibi parasal olmayan etkileri de o derece
önemlidir. Dünya Seyahat ve Turizm Konseyi tarafından hazırlanan “Seyahat ve
Turizm Ekonomik Araştırmaları 2005” raporuna göre; turizm endüstrisi, tüm
dünyada 4 trilyon 745,7 milyar dolar gelir ile global GSMH’nın % 10.6’sını,
doğrudan ve dolaylı olmak üzere 221.568.000 iş imkanı ile dünyadaki toplam
istihdamın % 8.3’ünü sağlamaktadır. Ancak turizmin sayılan özelliklerinden
faydalanabilmek için gerek kamu, gerekse özel sektörde geleceğe yönelik kararların
alınmasında turizm talebi tahminlerinin önemi oldukça büyüktür.
Turizm sektörü de ülkedeki 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. Güvenilir ve doğru talep tahminleri başta konaklama,
1

ulaştırma ve seyahat işletmeleri olmak üzere turizm sektörü ile ilgili bütün
faaliyetlerin etkili bir şekilde planlanabilmesi için gereklidir. Ayrıca bir turizm
merkezine yönelik gelecekteki talebi gerçekçi bir şekilde tahmin etmek, uzun vadeli
turizm gelişme planlarının yapılmasında da önemli bir rol oynar. Bu nedenle bilimsel
temele dayanan yöntemlerle turizmdeki gelişmelerin tahmin edilmesi, merkezi ve
yerel kamu yönetimi programlarının ve turistik işletme bilançolarının etkili bir yol
göstericisidir.
Tahmin yöntemleri, temel olarak nicel ve nitel yöntemler olmak üzere iki
grupta ele alınmaktadır. Genel olarak nicel yaklaşımların girdisi, çeşitli zaman
aralıklarında toplanmış olan verilerdir. Verilerin iyi bir şekilde analiz edilmesi, bu
yöntemlerin temelini oluşturmaktadır. Buna karşılık nitel yaklaşımlar, konu ile ilgili
uzmanların bilgi ve deneyimlerinden yararlanarak bu alandaki gelişmelerin ne yönde
olacağı, ne tür ihtiyaçlar ortaya çıkaracağı gibi konularda yoğunlaşmaktadır. Son
yıllarda geleneksel tahmin yöntemlerine alternatif olarak kullanılmaya başlanan
yöntemlerden birisi de yapay sinir ağlarıdır. Yapay sinir ağları insan beyninin
özelliklerinden olan öğrenme yolu ile yeni bilgiler türetebilme, yeni bilgiler
oluşturabilme ve keşfedebilme gibi yetenekleri herhangi bir yardım almadan
otomatik olarak gerçekleştirmek amacı ile geliştirilen bilgisayar sistemleri olarak
tanımlanabilir.
Bu çalışmanın amacı; zaman serisi yöntemlerinden verilerin yapısına uygun
modeller ile farklı mimarilere sahip yapay sinir ağı modellerinin örnek içi ve örnek
dışı geçmişe yönelik öngörü doğruluklarını karşılaştırarak en yüksek doğruluğu
sağlayan modelin belirlenmesi ve belirlenen model yardımıyla 2006–2007 yılları için
Antalya iline yönelik dış turizm talebinin aylar itibariyle tahmin edilmesidir. Bu
konuda, daha önce yapılan çalışmalarda, turist sayısı tahminleri yıllık olarak
yapılmıştır. Çalışmamızda ise aylık tahminlerin yapılması planlanmıştır. Yapılacak
tahminler ile merkezi ve yerel kamu yönetimleri tarafından hazırlanan turistik
gelişme planları için bir zemin oluşturulmak; ilgili işletme yöneticilerinin aylık
planlamalarında karar almalarını kolaylaştırmak ve Türkiye’de turizm literatürüne
katkı sağlanması, çalışmanın amaçları arasındadır.
2

Ülkemizde turizm talebinin analizi ve tahminine yönelik olarak yerli ve
yabancı kaynaklarda yayınlanmış muhtelif çalışmalar mevcuttur. Ancak, söz konusu
çalışmaların büyük bir bölümünün belirli bir bölge veya turistik çekim merkezine
değil, ülke genelinde yani Türkiye’ye yönelik olarak yapıldığı dikkat çekmektedir.
Antalya ili ve çevresindeki turistik merkezlere yönelik turizm talebinin tahmini ile
ilgili çalışmaların ise oldukça sınırlı olduğu görülmektedir. Gerek Antalya iline
yönelik turizm talebinin tahmini, gerekse nicel yöntemler ile birlikte yapay sinir
ağları kullanılarak turizm talebinin tahminine yönelik mukayeseli çalışmaların sınırlı
olması nedeniyle hazırlanan tez çalışması, Türkiye’de bu alanda disiplinler arası
nitelikte bir çalışma olduğu gibi ileriye yönelik olarak yapılacak çalışmalara yön
vermesi açısından da önem taşımaktadır.
Çalışma üç ana bölümden oluşmaktadır. Birinci bölümde, genel olarak turizm
ve turist kavramları ile Türkiye’de ve dünyada turizmin gelişimi ve turizmin
ekonomik etkileri konularında ayrıntılı bilgiler verilmiş, turizmin Türkiye ekonomisi
açısından önemi vurgulanmıştır. Bu bölümde ayrıca, turizm talebi ve turizm talebini
etkileyen ekonomik, demografik, toplumsal ve diğer faktörler açıklanmış, turizm
sektöründe talep tahminlerinin önemi ve gerekliliği üzerinde durulmuştur.
İkinci bölümde başlıca nitel ve nicel tahmin yöntemlerine ilişkin açıklamalara
yer verilmiştir. Nicel yöntemler başlığı altında; ilişkisel yöntemler ve zaman serisi
yöntemleri ve bu yöntemlerin uygulama aşamaları açıklanmış, ayrıca nicel
yöntemlerin öngörü doğruluklarının ölçümünde yararlanılan istatistiklere ilişkin bilgi
verilmiştir. Bu bölümde son olarak, alternatif bir tahmin tekniği olarak kullanılan
yapay sinir ağları hakkında bilgi verilmiştir.
Üçüncü bölümde ilk olarak, önceki yıllarda dünyada ve Türkiye’de yapay
sinir ağlarının tekil veya nicel yöntemlerle birlikte kullanıldığı turizm talebi tahmin
çalışmaları ile Antalya iline yönelik turizm talebi tahmini çalışmalarının bir özeti
verilmiştir. Daha sonra, farklı mimarilere sahip yapay sinir ağı modelleri ve zaman
serisi yöntemlerinden yararlanılarak Antalya ilinin dış turizm talebi tahminlerine
yönelik bir uygulamaya yer verilmiş ve elde edilen bulgular değerlendirilmiştir.
3

BİRİNCİ BÖLÜM
TURİZM VE TURİZM TALEBİ
Günümüzde her yıl milyonlarca insan, sürekli yaşadıkları yerlerden geçici
sürelerle ayrılarak başka ülkelere veya bölgelere hareket etmektedirler. Bu yer
değişimi esnasında, ulaşım imkânlarından ve varılan yerlerdeki konaklama
birimlerinden yararlanılmaktadır. XX. yüzyıla özgü modern bir olay olarak
görülmesine karşın yer değiştirme, insanlık tarihi kadar eskidir. İnsanlar yüz yıllar
boyunca çeşitli sebep ve amaçlarla bulundukları yerlerin dışındaki başka bir coğrafi
mekâna hareket etmişlerdir. Dinamik bir yapıya sahip olan bu hareketler çeşitli
dillerde değişik kavramlarla ifade edilmiştir. Nihai olarak, dikkatler “turizm”
sözcüğü üzerinde toplanmıştır. 1
Turizm kavramının kökenini, Latince'de dönme hareketini ifade eden "tornus"
sözcüğü oluşturmaktadır. İngilizce'deki "touring" deyimi ile "tour" deyimleri de bu
sözcükten türemiştir. "Tour" dairesel bir hareketi, bazı site ve yörelerin ziyaretini, iş
ve eğlence amacıyla yapılan yer değiştirme hareketini ifade eder. "Touring" deyimi
ise, zevk için yapılan, eğitsel ve kültürel özellik gösteren seyahatler için kullanılır.
Özetle "tour" hareket edilen yere dönmek şartıyla yapılan kısa ya da uzun süreli
seyahatleri ifade etmektedir. 2
Literatürde turizmin ilk tanımı 1905 yılında Guyer-Feuler tarafından
yapılmıştır; “turizm gittikçe artan hava değişimi ve dinlenme gereksinmeleri, doğa ve
sanatla beslenen göz alıcı güzellikleri tanıma isteğine; doğanın insanlara mutluluk
verdiği inancına dayanan ve özellikle ticaret ve sanayinin gelişmesi ve ulaşım
araçlarının mükemmel hale gelmelerinin bir sonucu olarak ulusların ve toplulukların
birbirlerine daha çok yaklaşmasına imkan tanıyan modern çağa özgü bir olaydır.” 3
1
DİNÇER, F. İ., “Turizm ve Turist Tanımlarındaki Gelişmeler”, Turizm Yıllığı, Türkiye Kalkınma
Bankası Yayını, Ankara, 1993, s.103
2
AKAT, Ö., Turizm İşletmeciliği, Ekin Kitabevi, Bursa, 2000, s. 2
3
KOZAK, N., KOZAK M. A. ve KOZAK M., Genel Turizm, İlkeler-Kavramlar, Turhan Kitabevi,
Ankara, 2001 s. 1 ve 5
4

Turizm kavramı üzerinde günümüze değin birçok tanım yapılmış olmakla
birlikte, tam bir görüş birliğinden bahsetmek mümkün değildir. Turizm kavramının
tanımlanmasında karşılaşılan zorluğun nedeni; turizmin son derece geniş, çok yönlü
ve karmaşık bir yapıya sahip olmasından kaynaklanmaktadır. Bazı araştırmacılar
turizmi “endüstri” olarak kabul ederken, bazıları da bu olayın endüstriden çok bir
pazar özelliğini taşıdığını belirtmektedir. Bir grup araştırmacı ve akademisyen ise
turizmi “sistem” yaklaşımı ile değerlendirmektedir. Örneğin, ekonomistler turizmi
bir “endüstri” olarak görürken, pazarlamacılar “pazar” olarak görmekte, çevre
bilimciler turizmin çevresel etkileri üzerinde durmakta, toplumbilimciler ise turizmin
psikolojik ve sosyolojik yönlerini ele almaktadırlar. 4 Turizm olayını veya kavramını
belirlemek amacıyla yapılan çalışmalar XIX. Yüzyılın sonlarına kadar uzanmaktadır.
Konuya değişik yönlerden yaklaşan yazarlar değişik tanımlar yapmışlardır. Turizmin
tanımlanmasında kullanılan yaklaşımları; işlevsel, disipliner, yapısal, bütünsel ve
teknik tanımlar olarak beş temel grupta toplamak mümkündür. 5
İşlevsel yaklaşım, insanların turizm olayına katılmalarına etki eden
motivasyonlar ve turizm ile ilgili faaliyetlerin insanlar için taşıdığı anlamlar üzerinde
odaklaşmaktadır. Fransız sözlüğü “Limrē” ile Monte Carlo Milletlerarası Turizm
Akademisi’nin düzenlediği “Turizm Tanımı” mükafatını kazanan M. de Meyer
turizmi; “her insanda değişik derecelerde bulunan kaçma ve uzaklaşma isteklerinden
ortaya çıkan psikolojik kaynaklı yer değiştirme faaliyeti” olarak işlevsel yaklaşımla
tanımlamıştır. 6
Disipliner yaklaşım ile yapılan tanımlar, turizmi ekonomi ve coğrafya gibi
sosyal bilimleri temel alarak değerlendirmekte, turizmin diğer bilim yada faaliyet
alanları ile olan ilişkilerini göz ardı etmektedir. Örneğin Avusturya’lı ekonomist
Hermann Von Schullar 1910 yılında yapmış olduğu tanımda; “başka bir ülkeden,
şehir veya bölgeden yabancıların gelmesi ve geçici süre kalmalarıyla ortaya çıkan
4 İÇÖZ, O. (a), Turizm Ekonomisi, Turhan Kitabevi, 3. Basım, Ankara, 2005, s. 1
5 BROTHERTON, B., “Konaklama, Turizm ve Eğlence Tanımları: Görüş Açıları Problemler ve Çıkan
Sonuçlar”, Turizmde Seçme Makaleler: 11, Turizm Geliştirme ve Eğitim Vakfı Yayınları No:
18, İstanbul, 1991, s.22
6 JOCARD, L. M., Le Turisme et L’Action de L’Etat, Editins Berger-Levrault, Paris, s.13’den
aktaran DİNÇER, F. a. g. e. , s. 106
5

hareketlerin ekonomik yönünü ilgilendiren faaliyetlerin tümü” 7 olarak turizmi
nitelendirmiş ve olayın sosyo-ekonomik yönünü vurgulamıştır.
Bütünsel yaklaşım, turizmin çok yönlülüğünü kabul eden bir yaklaşımdır. Bu
yaklaşım, farklı bir turizm kuramı geliştirmeye çalışan akademisyenlerin turizmi
disiplinlerarası bir faaliyet olarak ele alma çabalarını yansıtmaktadır. 8 Turizm;
ekonomi, sosyoloji, psikoloji, işletme, politika ve benzeri bir çok bilim dalının
yakından ilgilendiği çok yönlü ve karmaşık bir olaydır. Turizm olayının çok
yönlülüğü ve karmaşıklığı nedeniyle, konunun tam ve doğru olarak anlaşılabilmesi
için tüm değişkenleri ile bir bütün olarak ele alınması zorunludur. Bu durumda
değişik bilim dallarından yararlanarak, disiplinler arası bir çalışma ve sistem anlayışı
içinde turizm konularına yaklaşılması gerekmektedir. 9
Turizmi ilk olarak disiplinlerarası bir bütünlük içerisinde ele alan yazarlar,
Walter Hunziker ve Kurt Krapf olmuştur. İtalya’nın Palermo şehrinde 1954 yılında
toplanan AIEST (Association International d’Experts Scientifiques du Turisme -
Uluslar arası Bilimsel Turizm Uzmanları) kongresinde Hunziker ve Krapf, turizmi
şöyle tanımlamışlardır; “turizm, insanların sürekli çalışma ve konutlarının bulunduğu
yerler dışında sürekli yerleşmek ve gelir sağlamak amacı olmaksızın yaptıkları
seyahat ve konaklamalarından meydana gelen ilişki ve olaylar bütünüdür.” 10
Hunziker ve Krapf’ın yukarıdaki tanımı, 1980’li yıllarda AIEST tarafından
günümüzde uluslararası düzeyde genel kabul gören haliyle yeniden düzenlenmiştir.
Bu düzenleme ile turizm; “insanların devamlı ikamet ettikleri, çalıştıkları ve her
zamanki olağan gereksinimlerini karşıladıkları yerlerin dışına seyahatleri ve gittikleri
yerlerde genellikle turizm işletmelerinin ürettiği ürün ve hizmetleri talep ederek,
geçici konaklamalarından doğan olaylar ve ilişkiler bütünüdür” şeklinde
tanımlanmıştır. 11 Bu tanım, aynı zamanda Avrupa Ekonomik İşbirliği Teşkilatı
7 SCHMOLL, G. A., Tourism Promotion, Tourism International Press, London, 1977, s. 11
8 İÇÖZ, O., VAR, T. ve İLHAN, İ., Turizm Planlaması, Turhan Kitabevi, Ankara, 2002, s. 4
9 BARUTÇUGİL, İ. S. (a), Turizm Ekonomisi ve Turizmin Türkiye Ekonomisindeki Yeri, Beta
Basım Yayım Dağıtım A.Ş., İstanbul, 1986, s. 3-4
10 HOLLOWAY, C. (a), The Business of Tourism, Second edition, Pitman Publishing, London,
1986, s.2
11 KOZAK, N. vd., a. g. e. , s. 5
6

(OECD) Turizm Komisyonu tarafından da benimsenerek kabul görmüş
bulunmaktadır. 12
Leiper, turizmi bir sistem olarak ele almış ve şu şekilde tanımlamıştır;
“Turizm; esas amacı gelir etmek olan bireylerin seyahatleri dışında, insanların
isteğine bağlı ve geçici olarak sürekli yaşadıkları yerler dışında bir yada birden fazla
gecelemelerinden doğan olay ve ilişkilerin bütününü konu alan bir sistemdir.” 13
Benzer şekilde, Gunn 14 , Mathieson ve Wall 15 , Mill ve Morrison 16 turizmi sistem
yaklaşımı ile ele alıp, çeşitli turizm sistemi modelleri geliştirmişlerdir.
Yapısal yaklaşım ise, seyahat ve turizmi bir endüstri olarak ele alan ve bu
endüstriye dahil edilmesi gereken faaliyetler, ürünler ve hizmetlerin kapsamını
dikkate alarak turizmi tanımlamayı hedefleyen bir yaklaşımdır. 17 Turizmin, endüstri
olarak değerlendirilmesini savunan yazarların gerekçeleri özetle şöyle sıralanabilir: 18
• Turizm tek başına konaklama ve seyahat değildir. Tüketicinin, diğer bir
deyişle turistin yararlanacağı donanımın oluşturulması, alt ve üst yapı
yatırımlarını gerektirir. Bu durum turizmin endüstri niteliği taşıdığının en
önemli göstergesidir.
• Turizm faaliyetleri kapsamında, doğa, girişimci, sermaye ve işgücü gibi
üretim faktörlerinin bir araya getirilerek turistik ürün oluşturulması,
turizmi endüstriyel bir faaliyet alanı haline getirmektedir.
• Turizmde üretim, pazarlama ve satışa konu olan hizmettir. Yapısı gereği
turizm “hizmet endüstrisi”dir.
12 EVLİYAOĞLU, S., Genel Turizm Bilgileri, Ankara, 1989, s.47
13 LEIPER, N., “The Framework of Tourism: Towards a Definition Tourism, Tourist and the Tourist
Industry”, Annals of Tourism Research, Vol:6. No: 4, 1979, s. 309-407
14 GUNN, C.A., Tourism Planning, 2nd Edition, Taylor&Francis Group, New York, 1988, s. 68
15
MATHIESON, A. ve WALL, G., Tourism: Economic, Physical and Social Impacts, Longman
Scientific & Technical, Essex, 1989, s.15
16
MILL, R.C. ve MORRISON A.C., The Tourism System, Prentice Hall International Inc., New
Jersey, 1992, s.10
17
İÇÖZ, O., VAR, T. ve İLHAN, İ., a. g. e. , s.2
18
USTA, Ö., Genel Turizm, Anadolu Matbaacılık, İzmir, 2001, s. 10
7

Turizm endüstrisi, değişik amaçlarla seyahate çıkan ve turizme katılan
insanlara ürün ve hizmet arz eden çok sayıda örgüt ve işletmelerden oluşur. Bu
işletmelerden önemli bir bölümü seyahat, konaklama ve turistik çekicilikler ile
ilgilidir. Bununla beraber, endüstri içinde turizm enformasyon merkezleri, hediyelik
eşya üreticileri ve perakende mağazalar gibi bazı özel ve destek sağlayıcı işletmeler
ve örgütlenmeler de yer alır. Turizm endüstrisi ve kapsadığı alanlar çok geniş bir
dağılım göstermektedir. 19 Dünya Ticaret Örgütü tarafından hazırlanan “Turizm
Aktivitelerinin Uluslararası Standart Sınıflandırılması” (SICTA-Standart
International Classification of Tourism Activities), tamamen ve kısmen turizm
hizmeti sağlamaya yönelik otel inşasından bilgisayarlı rezervasyon sistemine kadar
yetmiş adet faaliyet alanı bulunduğunu belirtmektedir. 20 Endüstrinin bu geniş alanı
ve dağılımı nedeniyle bazı alt sektörler ile birlikte bir sınıflandırma, Holloway
tarafından aşağıdaki şekilde yapılmıştır: 21
• Ulaştırma araçları – turistin seyahati için gerekli her türlü ulaşım aracı
(havayolu, denizyolu, karayolu, demir yolu işletmeleri)
• Konaklama – turistin geceleme yapabileceği her türlü konaklama tesisi
(otel, motel, pansiyon, oberj, tatil köyü vb.)
• İnsan yapısı çekicilikler – toplumun kullanımına açık hale getirilmiş,
doğal çekicilikleri de kapsayan tesisler (örneğin kayak merkezleri)
• Özel sektör destek hizmetleri (seyahatin finansmanı gibi)
• Kamu sektörü destek hizmetleri – seyahat ve turizm ile ilgili kamusal
düzenlemeler (yol, havaalanı gibi)
• Seyahat aracıları – seyahat acenteleri, tur operatörleri gibi aracılar
Teknik tanımlar, Dünya Turizm Örgütü (WTO) gibi organizasyonların
turizmin uluslararası ekonomideki yeri ve önemini ölçme ihtiyacından doğan
19 İÇÖZ, O. (a), a. g. e. , s. 22-23
20 World Trade Organization, Tourism Services, 1998, s. 13-15
21 HOLLOWAY, J. C. (a), The Business of Tourism, Longman Publishing, New York, 1998, s. 126
8

tanımlardır. Dünya Turizm Örgütü (WTO), turizm istatistiklerinde uluslararası bir
standart oluşturmak, turizmin etkilerinin araştırıldığı her yerde aynı verilerin ve aynı
yöntemin kullanılmasını sağlamak amacıyla turizmi; “insanların tatil, eğlence, iş ve
diğer amaçlarla her zaman yaşadıkları olağan çevreleri dışındaki yerlere, gelir elde
etmeye yönelik faaliyetlere bağlı kalmaksızın ve ardışık bir yıldan fazla olmayacak
şekilde seyahat etmeleri ve konaklama aktiviteleridir” şeklinde tanımlamış, ayrıca
turizmi “ülke içi” ve “ülkelerarası” olmak üzere sınıflandırmıştır. Bu sınıflandırmaya
göre; iç turizm (domestic tourism), “belli bir ülkede ikamet eden kişilerin aynı
ülkede ancak her zamanki ikametgahı dışında kalan yerlere seyahatlerini içeren
aktiviteler”; dış aktif turizm (inbound tourism), “yabancı ziyaretçilerin ülkeye
yapmış oldukları seyahatler”; dış pasif turizm (outbound tourism), “bir ülkede
ikamet eden insanların başka bir ülkeye yapmış oldukları seyahatler”, dahili turizm
(internal tourism), “ülkeye gelen yabancı ziyaretçiler ile ülke dışına seyahat eden
vatandaşların aktiviteleri”, ulusal turizm (national tourism), bir ülkede ikamet eden
insanların ülke içine ve dışına yapmış oldukları seyahatler”, uluslararası turizm
(international tourism) ise, “dış aktif turizm ve dış pasif turizmi kapsayan aktiviteler”
şeklinde tanımlanmaktadır. 22
Sonuç olarak yapılan tanım ve açıklamaların ışığında, çok yönlü bir olay
olarak turizmin tanımı ve kapsamı şöyle ifade edilebilir: 23
Turizm;
• İnsanların daimi konutlarının bulunduğu yerler dışında sürekli olarak
yerleşmemek,
• Para kazanmak, politik veya askeri bir amaç izlememek üzere,
• Serbest bir ortam içerisinde,
22 World Tourism Organization, Basic References on Tourism Statistics, http://www.worldtourism.org/statistics/tsa_project/basic_references/index-en.htm
(indirilme tarihi: 10.07.2005)
23 OLALI, H. (a), Turizm, Türk Hava Kurumu Basımevi İşletmeciliği, Ankara, 1991, s. 5 ve 6’dan
uyarlanmıştır.
9

• İş, merak, din, sağlık, spor, dinlenme, eğlence, kültür, deneyim kazanma,
dost ve akraba ziyaretleri, kongre, seminer, konferans vb. bilimsel
etkinliklere katılma gibi nedenlerle,
• Kişisel veya toplu olarak yaptıkları seyahatlerden,
• Gittikleri yerlerde yirmi dört saati aşan veya konaklama tesislerinde en az
bir gece konaklamalarından ortaya çıkan iş ve ilişkileri kapsayan,
• Sosyal bir tüketim olayı,
• Bütünleşmiş bir hizmet endüstrisidir.
1.1. Turist, Ziyaretçi ve Günübirlikçi
Turizm olayının öznesi insandır. Turizmin temelinde insanın "psikolojik
tatmin duygusu" sağlaması yer alır. Turizm olayına yol açan, yön veren ve bu olayın
odak noktasını oluşturan insan turist sözcüğü ile tanımlanır. 24
Turizmin olduğu gibi, turistin de araştırmacılar ve uluslararası kurumlar
tarafından yapılmış çok sayıda tanımı bulunmaktadır. Fretchling tarafından yapılan
80 adet turizm ve seyahat konulu çalışmanın incelenmesi sonucunda “turist” ve
“ziyaretçi” konularında 43 farklı tanımın olduğu belirtilmektedir. 25 Tarihsel açıdan
ele alındığında, turist tanımlarının birbiriden bağımsız olarak açıklandığı ortaya
çıkmaktadır. Turist sözcüğünün doğuşu ve toplumsal hayatta kullanılması XVII.
yüzyıla kadar uzanmaktadır. Bu uzun geçmişine karşın günümüze uygun ilk turist
tanımı 1933 yılında F.W. Ogilvy tarafından yapılmıştır; “turist, sürekli oturduğu
yerden en çok bir yıl için ayrılan ve geçici olarak gittiği yerlerde buralarda
kazanmadığı parayı harcayan kimsedir.” 26
24
BARUTÇUGİL, İ. S. (b), Turizm İşletmeciliği, 3. Baskı, Beta Basım Yayım ve Dağıtım A.Ş.,
İstanbul, 1989, s. 16
25
MATHIESON, A. ve WALL, G., a. g. e. s. 10
26
OGILVY, F. W., The Tourist Movement, An Economic Study, London, 1933, s. 3’ten aktaran
ERALP, Z., Genel Turizm, Ankara Üniversitesi, Basın Yayın Yüksekokulu Yayınları, No:3,
Ankara, 1983, s.37
10

Norval, 1936 yılında turisti şu şekilde tanımlamıştır; “turist, sürekli olarak
kalmak ve gelir elde etmekten farklı bir amaç ile yabancı bir ülkeye giden geçici süre
kalacağı bu ülkede, başka yerde kazandığı parayı harcayan kimsedir.” 27 Anlatımda
yararlanılan sözcükler farklı olmakla birlikte tanımlama, dayandığı ölçütler açısından
daha önceki ile özdeştir. Yani seyahat edenler arasından turist olanların ayrımı için,
süre ve ekonomik ölçütler esas alınmıştır.
Uluslararası düzeyde ilk turist tanımı, “Milletler Cemiyeti İstatistik
Uzmanları Komitesi” tarafından 1937 yılında yapılmıştır: “Turist, ikametgahının
bulunduğu ülkeden başka bir ülkeyi en az 24 saat süreyle ziyaret eden kişidir.” Bu
tanıma göre, aşağıdakiler turist olarak kabul edilmektedirler: 28
• Zevk, ailevi nedenler, sağlık vb. nedenlerle seyahat edenler,
• Bilimsel, idari, diplomatik, dini, sportif nedenlerle veya bu çeşit
toplantılara katılmak amacıyla seyahat edenler,
sayılırlar.
• İş sebebi ile seyahat edenler,
• 24 saatten daha az süreyle kalsalar bile, deniz gezileri ile gelenler turist
Aşağıdakiler ise turist olarak kabul edilmezler: 29
• Bir ülkeye iş sözleşmesi ile veya böyle bir sözleşme olmaksızın gelip, iş
yapmak veya bir işte çalışmak amacıyla gelenler,
• Bir ülkeye devamlı olarak yerleşmek amacıyla gelenler,
• Yurtlardaki veya okullardaki öğrenciler ve gençler,
27 NORVAL, A. J., The Tourist Industry, A National and International Survey, Sir Isaac Pitman
and Sons Ltd., London, 1936, s.53’ten aktaran DİNÇER F. a. g. e. , s.112
28 Mc INTOSH, R. W., GOELDNER C. R. ve BRENT J. R., Tourism: Principles, Practices,
Philosophies, John Wiley and Sons Inc., New York, 1995, s. 6
29 Mc INTOSH, R. W., GOELDNER C. R. ve BRENT J. R., a. g. e. s. 7
11

• Bir sınır bölgesinde ikamet edenler ve başka bir ülkede yaşayıp komşu
ülkeye çalışmak için gelenler,
• Seyahatleri 24 saati aşsa bile bir ülkeden mola vermeksizin gelip
geçenler, turist olarak kabul edilmezler.
1963 yılına kadar OECD Turizm komitesi üye ülkelere, “yabancı turist”
kavramı ile ilgili olarak yukarıdaki tanımın benimsenmesini tavsiye etmiştir. Bu
tanım iç turizme katılan turistler için de geçerlidir. Tanımda “Ekskürsiyonistler”
(günübirlikçiler) ise; “zevk için 24 saatten daha az bir süre seyahat edenler” şeklinde
nitelendirilmişlerdir. 30 “1937 tanımı” olarak turizm literatürüne geçen bu tanım,
gerek ulusal gerekse uluslararası düzeydeki turizm istatistiklerinin toplanmasında
temel taşı olmuştur.
Birleşmiş Milletler İstatistik Komisyonu, 1963 yılında Roma’da Seyahat ve
Turizm Konferansı’nda toplanarak “ziyaretçi” ve “turist” kavramlarını istatistiklere
esas teşkil etmek üzere tekrar ele alarak tanımlamıştır. Bu tanımlamaya göre;
İstatistiki amaçlarla ziyaretçi; devamlı ikamet ettiği ülke dışında herhangi bir
ülkeyi o ülkede çalışma amacı dışında ziyaret eden kişidir.
Turistler; ziyaret ettiği ülkede en az 24 saat kalan ve boş zaman
değerlendirme (eğlence, tatil, sağlık, din, spor, kültür, eğitim) ayrıca iş, ailevi,
diplomatik sebepler ve toplantı gibi sebeplerle seyahat eden geçici ziyaretçilerdir.
• Ülkede ikamet etmeyen yabancılar,
• Yabancı ülkede ikamet eden vatandaşlar,
• Ziyaret edilen ülkedeki konaklama tesislerinden faydalanan yabancı
havayolu veya gemi mürettebatı turist olarak kabul edilirler ve turizm
istatistiklerinde yer alırlar.
Günübirlikçiler; ziyaret edilen ülkede 24 saatten az kalan ve konaklama
tesislerinde kalmayan ziyaretçilerdir.
12

• Bir ülkeye gemi ile gelen ve konaklama yapmadan giden kruvaziyer
yolcuları,
• Aynı gün içinde gelen ve ayrılan günlük ziyaretçiler,
• Gittikleri ülkede konaklama yapmadan günlük olarak kalan gemi ve
havayolu personeli günübirlikçi kabul edilirler ve turizm istatistiklerinde
yer alırlar.
Ayrıca, günlük olarak komşu ülkede çalışan sınır işçileri, göçebeler,
mülteciler, konaklama yapmadan giden transit yolcular, bir ülkede bulunan yabancı
askeri personel, konsolosluk temsilcileri, diplomatlar ile geçici ve daimi göçmenler
turist ve günübirlikçi kapsamı dışında kalır ve turizm istatistiklerinde yer almazlar. 31
Dünya Turizm Örgütü (WTO), uluslararası turizm istatistiklerinde belirli
standartların oluşturulması, ülkeler arasındaki farklılıkların giderilmesi ve üye
ülkelerin aynı tanım ve kriterleri kullanmalarını sağlamak amacıyla, 1991 yılında
Madrid’de gerçekleştirilen toplantıda, ziyaretçi, turist ve günübirlikçilerin kimler
olduğunu nihai olarak belirlemiş ve üye ülkelere tavsiye etmiştir. Türkiye’de Kültür
ve Turizm Bakanlığı 32 ile Devlet İstatistik Enstitüsü’nün 33 de kabul ettiği bu
tanımlamaya göre;
Ziyaretçi (Visitor): Turizm istatistikleri açısından ziyaretçi kavramı; 12 aydan
daha kısa bir süre için her zaman yaşadığı olağan çevresinden başka bir yere seyahat
eden ve asıl amacı, ziyaret edilen yerden karşılığını alacağı bir faaliyette bulunmak
dışında olan kişidir. Ziyaretçiler, uluslararası ve yerli ziyaretçiler olmak üzere ikiye
ayrılmaktadır;
30
MAVİŞ, F., Otel İşletmeciliği, Anadolu Üniversitesi Yayınları, No: 843, Eskişehir, 1994, s. 6-7
31
LUNDBERG, D. E., The Tourist Business, Van Nostrand Reinhold, 6th edition, New York, 1990,
s. 2-3
32
Kültür ve Turizm Bakanlığı, Açıklamalar: Yöntem, Kavram ve Tanımlar
http://www.turizm.gov.tr/turizm/İstatistikler/TurizmIstatistikleri/2004/Aciklama/Yontem-Kavram-
Tanim.doc (İndirilme tarihi: 12.08.2005)
33
DİE, Turizm ile İlgili Değişkenlerin Tanımları, http://www.die.gov.tr/sozluk/turt.htm> (İndirilme
tarihi: 12.08.2005)
13

a. Uluslararası Ziyaretçiler (International Visitors): İkamet ettiği ve her
zaman yaşadığı olağan çevresinden başka bir ülkeye bir yılı aşmayacak şekilde
seyahat eden ve asıl amacı, ziyaret edilen yerden karşılığını alacağı bir faaliyette
bulunmak dışında olan kişidir. Uluslar arası ziyaretçiler “turist” ve “günübirlikçiler”
olmak üzere ikiye ayrılmaktadır.
(i) Turistler (Overnight Visitors): Ziyaret ettikleri ülkede en az bir gece tek
başına yada topluca konaklayan ziyaretçilerdir.
(ii) Günübirlikçiler (Same-Day Visitors): Ziyaret ettikleri ülkede 24 saatten az
kalan, tek başına veya topluca konaklama yapmayan ziyaretçilerdir.
b. Yerli Ziyaretçiler (Domestic Visitors): Yaşadığı ülke içinde, her zaman
yaşadığı olağan çevresinden başka bir yere bir yılı aşmayacak şekilde seyahat eden
ve asıl amacı, ziyaret edilen yerden karşılığını alacağı bir faaliyette bulunmak dışında
olan kişidir. Yerli ziyaretçiler “turist” ve “günübirlikçiler” olmak üzere ikiye
ayrılmaktadır.
(i) Turistler (Overnight Visitors): Ziyaret ettikleri yerde en az bir gece tek
başına yada topluca konaklayan ziyaretçilerdir.
(ii) Günübirlikçiler (Same-Day Visitors): Ziyaret ettikleri yerde 24 saatten az
kalan, tek başına veya topluca konaklama yapmayan ziyaretçilerdir. 34
Devlet İstatistik Enstitüsü (DİE) 1950 yılından itibaren ülkeye yapılan
yabancı girişlerini “turistik girişler” ve “turistik olmayan girişler” şeklinde ikili bir
ayrıma tabi tutarak turizm amacıyla gelen yabancı ziyaretçi sayısını düzenli olarak
belirlemeye başlamıştır. 1965 yılından itibaren, yapılan çalışmalarla Birleşmiş
Milletler ve Dünya Turizm Örgütü (WTO) standartlarına uygun olarak “turist ve
günübirlikçi” ayrımı yapılmaya başlanmış ve bu sayede belirtilen tarihten sonra
34 RYAN, C., Recreational Tourism: Demand and Impacts, Channel View Publications, Clevedon,
2003, s. 24-25, World Tourism Organization, Basic References on Tourism Statistics,
http://www.world-tourism.org/statistics/basic_references/index-en.htm (indirilme tarihi: 15. 08.
2005) Ayrıca bkz. World Tourism Organization, Recommendations on Tourism Statistics,
Madrid, 1997
14

ülkeye giriş yapan gerçek turist sayıları ve bazı özellikleri doğru olarak
saptanabilmiştir. 35
1.2. Dünyada Turizmin Tarihsel Gelişimi
Turizm, eğer yalnızca seyahat olayı olarak kabul edilecek olursa, bu olayın
geçmişinin belki de insanlığın geçmişi kadar eski dönemlere uzandığı söylenebilir. 36
Turizmin tarihsel gelişimi konusunda araştırma yapan bilim adamları, turizmin
geçmişini; yazıyı, parayı ve tekerleği ilk bulan, ticareti başlatan ve ticari ilişkilerde
parayı ilk kullanılan Sümerlere, yani MÖ. 4000 yılına kadar geriye
götürmektedirler. 37 Fenikelilerin de büyük bir olasılıkla bugünkü anlamda ilk
gezginler olduğu söylenebilir. Çoğunlukla ticaret amacıyla yola çıkan bu denizci
insanlar, çok ve çeşitli yerleri dolaşmışlardır. 38 Tarihin akışı içerisinde insanlar çeşitli
nedenlerle sürekli yaşadıkları bölgelerden başka bölgelere seyahat etmişlerdir. Bu
seyahatlerin çoğu ticaret ve dinsel amaç taşırken bazı durumlarda da sağlık amaçlı
olmuştur. İnsanoğlunun araştırma ihtiyacı, merak ve macera tutkusu da turizmin
ortaya çıkması ve gelişmesinde büyük pay sahibidir. 39
Tarihte bugünkü anlamda turizmin, Akdeniz Havzası’nda Romalılar
tarafından başlatıldığı bilinmektedir. İlk çağların üstün uygarlık ve refah seviyesine
sahip olan Romalılar merak, eğlence, tedavi, spor, kültür vb. nedenlerle yılın belli
dönemlerinde sürekli yaşadıkları yerlerin dışına seyahat etmişlerdir. 40
35
ERDOĞAN, H., Ekonomik, Sosyal, Kültürel ve Çevresel Yönleriyle Uluslar arası Turizm,
Uludağ Üniversitesi Yayını, Form Ofset, Çanakkale, 1996, s. 11-489
36
AHİPAŞAOĞLU, H. S. ve ARIKAN, İ., Seyahat İşletmeleri Yönetimi ve Ulaştırma Sistemleri,
Detay Yayıncılık, Ankara, 2003, s. 2
37
KOZAK, N. vd., a. g. e., s. 29, BAHAR, O. ve KOZAK, M., Uluslararası Turizm ve Rekabet
Edebilirlik, Detay Yayıncılık, Ankara, 2005, s. 5, MAVİŞ, F., a. g. e. s., 9
38
BULUT, E. (a), Turizmin Türkiye Ekonomisindeki Yeri ve Ekonomik Etkileri, E-Kitap Yayın,
Ankara, 1999, s. 27
39
SEZGİN, O. M., Genel Turizm, Tutibay Ltd., Ankara, 1995, s. 19
40 ERDOĞAN, H., a.g.e, s. 63
15

Eski Yunan’da MÖ. 700’lü yıllarda olimpiyat oyunlarının başlaması, dünya
turizm tarihi içerisinde önemli bir olay olarak kabul edilir. Bu oyunlara katılmak ve
izlemek amacıyla yapılan ilk seyahatler sportif turizmin başlangıcı sayılabilir. 41
Ortaçağda turizme damgasını vuran en önemli unsur dini yerlerin ziyaret
edilmesidir. Geniş kitleler İslamiyet ve Hıristiyanlık açısından kutsal sayılan yerleri
ziyaret etmek amacıyla büyük güçlükleri göze alarak seyahat etmişlerdir. 42
Yeniçağ’a gelindiğinde ise, Ortaçağ’dan kalma tutucu, dinsel ağırlıklı ve
totaliter anlayış “yeniden doğuş” anlamına gelen “Rönesans” hareketleri ile
değişmeye başlamış, bilimde, sanatta, dinsel inanışta ve yönetim şekillerinde yeni
arayışlar ortaya çıkmıştır. 43 Rönesans la birlikte, özellikle sanatsal çalışmaların
yoğunluk kazandığı merkezlere yönelik seyahatlerin arttığı gözlenmektedir. Özellikle
İtalya’ya yapılan bu seyahatlerde insanlar, kültürel turizmin tipik örneklerini
vermiştir. 44
19. yüzyılın ikinci yarısından, Birinci Dünya Savaşı’na kadar olan dönemde
“Endüstri Devrimi”nin etkileri ile teknik, demografik ve sosyal politika alanlarında
sağlanan ilerlemeler, turizmin hızlı bir şekilde gelişmesine imkan sağlamıştır. Zira,
tarımsal ve el emeğine dayalı üretimden endüstriyel üretime geçişle birlikte artan
işgücü talebini karşılamak amacıyla kırsal kesimden şehir merkezlerine göç
hareketlerinin başlaması, insanların çalışma şartlarının zamanla iyileştirilmesi ve
haklarının artması, günümüzdeki anlamıyla turizmin ortaya çıkmasına ivme
kazandırmıştır. 45
1830’larda demiryolu taşımacılığının gelişmesi ve buhar gücü ile çalışan
gemilerin hizmete girmesi, zevk amacıyla seyahatin geniş kitlelere yaygınlaşmasında
önemli rol oynamıştır. Seyahatin ucuzlaması, düşük ücretle çalışan kişilerin dahi
turizm etkinliklerine katılmasına ve büyük bir seyahat talebinin doğmasına yol
41
BULUT, E. A., g. e. , s. 27
42
MAVİŞ, F., a. g. e. , s. 11
43
AKAT, Ö., a. g. e. , s.9
44
KOZAK, N vd., a. g. e. , s.30
45
GÜRDAL, M., Turizm Ulaştırması, Karınca Matbaası, İzmir, 1995, s. 52
16

açmıştır. Bu gelişmeler bir çok yazar tarafından modern turizm hareketlerinin
başlangıcı olarak kabul edilmektedir. 46
1841 yılında İngiltere’de Thomas Cook, Leicester’den 12 mil uzaklıktaki
Lougborough kentinde düzenlenen bir festivale 570 kişilik bir grubu götürerek geri
getirmiştir. Bu gezi ticari amaçla yapılan ve reklam yoluyla halka duyurulan ilk toplu
tren seyahati olarak kabul edilir. Bunun doğal sonucu olarak da Thomas Cook,
dünyada ilk turizm seyahat organizatörü olarak bilinir. 1865 yılında Londra’da ilk
seyahat acentesini açan Cook’un firması hızla büyümüş, Avrupa’ya, Amerika
Birleşik Devletlerine ve daha sonra tüm dünyaya seyahatler düzenleyen günümüzün
en büyük tur operatörlerinden biri olmuştur. 47
Dünyada turizmin örgütsel gelişiminde, Dünya Turizm Örgütü’nün (WTO)
önemli katkıları olmuştur. WTO, dünya turizminin en iyi biçimde koordine
edilmesinde, eğitim programlarının yaygınlaştırılmasında, turizm ve turist
kavramlarının tanımlanmasında, veri toplama ve istatistik standartların konulmasında
(uluslar arası seyahat istatistikleri dünya çapında ilk kez 1947 yılında WTO’nun o
yıllardaki adı ile IUOTO 48 tarafından toplanmıştır), turizmin ekonomik etkilerinin
hesaplanmasında karşılaştırmalara imkan sağlayan çalışmaları ile dünya turizmine
büyük katkıları olmuştur. Ayrıca pasaport ve vize işlemlerinin kolaylaştırılması
konusunda aktif bir çalışma içine girmiştir. WTO, bu çalışmaları sayesinde ülkelerin
birbirleri ile eşgüdüm içinde çalışabilmesine imkan sağlamıştır. 49
Dünya turizm hareketleri özellikle II. Dünya Savaşı’ndan sonra hızlı bir
gelişim göstermiştir. Teknolojinin hızla gelişmesi, ülkelerin ekonomik kalkınmalarını
gerçekleştirme istekleri sonucunda giderek sanayiye daha fazla önem vermeleri ve
46
McINTOSH, R.W., vd., a.g.e, s.28
47
McINTOSH, R.W., vd., a. g. e. , s.28
48
WTO, ilk olarak 1925 yılında Lahey’de “Union of Official Tourist Organizations” (Resmi Turizm
Örgütleri Birliği) adı altında etkinliğe başlamış, ikinci Dünya Savaşından sonra ismi “International
Union for Official Tourism Organizations” (IUOTO – Uluslar arası Resmi Turizm Örgütleri
Birliği) olarak değiştirilmiş ve merkezi Cenevre’ye taşınmıştır. 1969 yılında Birleşmiş Milletler
genel kurulunun IUOTO’yu ülkeler arası bir kuruluş olarak tanıması üzerine WTO “World
Tourism Organization” ismi ile ilk genel kurul toplantısını 1975 yılında Madrid’de
gerçekleştirmiştir. Bir yıl sonra WTO’nun merkezi Madrid’e taşınmıştır.
49
VAR, T., “Turizm: İlkeler ve Yönetim” içinde “Turizmin Tarihsel Gelişimi”, (Editörler:
YÜKSEL, A. ve HANÇER, M.), Turhan Kitabevi, Ankara, 2005, s. 9-10
17

hızlı kentleşmeyle birlikte ortaya çıkan gürültü, hava kirliliği, trafik problemi aşırı
stres vb. sorunlar, insanların toplumsal ve psikolojik yapısı üzerinde olumsuz etkiler
meydana getirmiştir. Gün geçtikçe bu tür sorunların artması insanların daha fazla
dinlenme, eğlenme, gezip-görmeğe, kendilerine boş zaman ayırma ihtiyaçlarının
doğmasında etkili olmuştur. Ayrıca, teknolojik imkanlar, uzaklık ve zaman
kavramlarında büyük değişikliklere neden olmuştur. Buna bir de teknolojideki
ilerlemeden dolayı insanların çalışma sürelerindeki önemli azalma eklendiğinde,
günümüzde milyonlarca insan, gezip-görme, eğlenme, dinlenme, öğrenme gibi
sosyal ve kültürel ihtiyaçlarını karşılamak için sürekli yaşadıkları yerlerden geçici
olarak başka ülke veya bölgelere seyahat etmektedir. 1960’lı yıllara kadar kültürel
bir hareket olarak kendini gösteren, zenginler ve zamanı bol olan kişiler tarafından
yapılan seyahatler, günümüzde özellikle gelişmiş ülkelerde bir çok kişi için bir
yaşam biçimi ve tüketim alışkanlığı haline gelmiştir. 50
Dünyanın çeşitli bölgelerindeki ekonomik belirsizlikler ve krizler (örneğin,
1974 petrol bunalımı, 1998 Asya ekonomik krizi), ülkelerdeki sosyal çalkantılar ve
savaşlar (örneğin, 1967 Arap – İsrail savaşı, 2003’te Amerika’nın Irak’ı işgali),
salgın hastalıklar ve doğal afetler (2003’te Uzakdoğu ülkelerinde görülen SARS
salgın hastalığı ve 2004 yılı sonunda Asya – Pasifik ülkelerinde yaşanan Tsunami
felaketi vb.), turizmin büyümesini yavaşlatsa da durduramamıştır. Dünyada turizmin
gelişmesinde etkili olan faktörler özetle şöyle sıralanabilir; 51
• Turist gönderen ülkelerdeki ekonomik büyüme sonucunda milli gelirin ve
harcanabilir gelir düzeyinin artması,
• Boş zaman artışına paralel olarak seyahate ayrılan zamanın artması,
• Ülkeler arasında bazı bürokratik engellerin kaldırılması ve seyahat
özgürlüğünün artması,
• Hızla sayıları artan havayolu firmaları ve bu firmalar arasındaki rekabet
sonucunda uluslar arası seyahatlerin ucuzlaması,
50 BAHAR, O., KOZAK, M., a.g.e, s. 1-6
51 İÇÖZ, O. (a), a.g.e, s. 32-33
18

• Teknolojik gelişmeler sonucunda seyahat ile ilgili işlemlerin kolaylaşması
ve seyahat süresinin kısalması, ulaştırma araçlarının kalitesinin ve
güvenilirliğinin artması,
• Organize paket turların gelişmesi ve uluslar arası alanda yaygınlaşması,
• Demografik değişimler (yaşam süresinin uzaması sonucunda emeklilik
süresinin artması, ailede eşlerin birlikte çalışmaları, çocuksuz aile
sayısının artması)
• Hızlı kentleşme, nüfus artışı ve yoğun iş temposu nedeniyle insanların
doğa ve eğlenceye yönelmeleri 52 ,
• Sosyal güvenlik programlarının gelişmesi ve çalışanların haklarının
artması, 53
• Kitle iletişim araçlarının yaygınlaşması ve etkilerinin artması.
Ayrıca çok yönlü olarak gelişen uluslararası ilişkiler, ülkelerin entegrasyonlar
oluşturarak sınırları ortadan kaldırmalarıyla seyahatlerin kolaylaşması, bazı ülkelerde
meydana gelen yapısal değişiklerle yurt dışına çıkışlara ve ülkeye girişlere izin
verilmesi, barış ortamının sağlanarak güvenliğin artması, turizmin gelişmesinde etkili
olan diğer faktörler olarak sayılabilir.
1974 ile 1980 yılları arasında geçici bir durgunluk yaşansa da, dünyada
turizm faaliyetlerinin ortalama yıllık büyüme hızı, 1980-2000 döneminde yüzde 6,8
gibi yüksek bir artış göstermiştir. Toplam uluslararası ticaret hacmi içinde turizmin
payı, gelişme eğilimine bağlı olarak, bu dönemin sonunda yüzde 15 gibi yüksek bir
orana ulaşmıştır. 1990’lı yıllar dünya turizminin istikrarlı olarak büyümeye devam
ettiği, ancak rekabet ortamının giderek yoğunlaştığı bir dönem olmuştur. 1990’lı
yılların sonuna gelindiğinde hizmetler sektörü içinde turizm birinci sıraya
yükselmiştir. Sektörün bu dönemdeki hızlı büyümesinde ve rekabetin giderek hız
kazanmasında; uluslararası alanda globalleşme sürecinin başlangıcı olan ve 1980
52 KOZAK, N. vd., a. g. e., s. 37
53 ERDOĞAN, H., a. g. e., s. 128
19

sonrasında yaşanan mali liberalleşme akımları; Doğu-Avrupa ülkelerindeki siyasi
rejimlerin hızla liberal yapılara dönüşerek, seyahat özgürlüğü önündeki kısıtlayıcı
engellerin kalkması gibi siyasi ve ekonomik temel tercihlerdeki değişiklikleri
belirleyici etkiye sahiptir. Bu değişimle birlikte, özellikle enformasyon ve ulaştırma
teknolojilerinde yaşanan beklenenin de ötesindeki hızlı değişim, ekonomik ve siyasi
nedenlerle genişlemiş olan seyahat talebine rekabet ortamı yaratmış, çok farklı gelir
gruplarındaki tüketiciler için seyahat talebini etkin hale getirmiştir. 54
Tablo 1.1. Yıllara Göre Uluslararası Turizme Katılan Kişi Sayısı ve
Turizm Gelirleri
Yıllar
Turist Sayısı
(Milyon Kişi)
Artış Oranı
(%)
Turizm Gelirleri
(Milyar $)
Artış Oranı
(%)
1950 25,3 - 2,1 -
1960 69,3 173,9 6,8 223,8
1970 165,8 139,2 17,9 163,2
1980 286,5 73 105,4 588,8
1990 455,9 159,1 264,1 250,5
1991 461,1 1,1 277,9 5,2
1992 502,2 8,9 317,1 14,1
1993 515,3 2,6 322,9 1,8
1994 535,8 4 356 10,2
1995 550,4 2,7 404,6 13,6
1996 580,2 5,4 438,8 8,4
1997 601,5 3,7 442,9 0,9
1998 621,4 3,3 445,2 05
1999 643,3 3,5 455 2,2
2000 687,3 6,8 473,4 4
2001 684,1 -0,5 459,5 -2,9
2002 702,6 2,7 474,2 3,2
2003 691 -1,5 525 10,7
2004 763 10,7 622 18,4
Kaynak: World Tourism Organization
Tablo 1.1, yıllar itibariyle uluslararası turizme katılan kişi sayısını ve turizm
gelirlerini göstermektedir. Dünya genelinde uluslararası turizme katılanların sayısı
1950 yılında 25,3 milyon kişi iken bu rakamlar, 1970 yılında 160 milyona, 1990
54 TÜBİTAK (a), Bilim ve Teknoloji Stratejileri, Vizyon 2023, Ulaştırma ve Turizm Paneli,
Ankara, 2003, s. 19-20
20

yılında 458 milyona, 2004 yılında ise 763 milyon kişiye ulaşmıştır. Uluslararası
turizm gelirleri 1950 yılında 2,1 milyar dolar iken, 1970 yılında 17,9 milyar dolara,
1990 yılında 264,1 milyar dolara, 2004 yılı sonunda ise 622 milyar dolara
yükselmiştir. 1950 yılında dünyada uluslararası turizme katılan kişi sayısının 25,3
milyon kişi olduğu dikkate alınırsa, geçen elli dört yılda dünya turizm hareketlerinin
% 2.915, yani yaklaşık olarak 29 kat arttığı görülmektedir ki bu oran büyük bir
gelişmenin göstergesidir.
2000 yılına kadar hızla büyüyen dünya turizmi 2001, 2002 ve 2003 yıllarında,
Amerika’daki 11 Eylül saldırıları, Irak savaşı, Asya ülkelerinde görülen SARS
salgını ve global ekonomik durgunluk gibi nedenlerin etkisiyle tarihinin en yavaş
büyüme hızına ulaşmıştır. Dünya Turizm Örgütü verilerine göre; 2003 yılında
uluslararası turist sayısı bir önceki yıla göre % 1,2 düşüş göstermiş ve 702 milyon
olan ziyaretçi sayısı 691 milyon kişiye gerilemiştir. 55
Dünya Turizm Örgütü'nce hazırlanan ve turizm hareketleri hakkında genel bir
değerlendirmenin yapıldığı World Tourism Barometer adlı rapora göre, 2004 yılında
uluslararası turist sayısı 2003 yılına oranla yüzde 10,7 artış göstererek 763 milyon
kişiye, uluslararası turizm gelirleri ise % 10,3 artarak 622 milyar dolara ulaşmıştır.
Tablo 1.2.’de görüldüğü gibi en fazla turist artışı yüzde 27,8 ile Asya - Pasifik
bölgesinde görülürken, Ortadoğu bölgesi yüzde 20,5 ile ikinci sırada yer almıştır. En
düşük artış oranı ise yüzde 4,9 ile Avrupa’da gerçekleşmiştir. 56
Tablo 1.2. Uluslararası Turizm Hareketleri (2004)
Bölgeler
Turist Sayısı
(Milyon Kişi)
Değişim %
(2003/2004)
Turizm Gelirleri
(Milyar $)
Değişim %
(2003/2004)
Dünya Geneli 763 10,7 622 10,3
Avrupa 415,2 4,9 326,3 2,3
Amerika 125,7 11,1 131,5 11,2
Asya&Pasifik 152,9 27,8 125 23,9
Ortadoğu 35,6 20,5 20,7 21,7
Afrika 33.2 8,2 18,9 6,4
Kaynak: World Tourism Barometer, 2005-2: 2
55 World Tourism Organization, World Tourism Barometer Volume: 2, No: 3, October, 2004, s. 3
56 World Tourism Organization, World Tourism Barometer Volume: 3, No: 2, ,June, 2005, s. 2
21

Tablo 1.3., 2004 yılında dünyada en fazla turist kabul eden ve turizm geliri
elde eden ülkeleri göstermektedir. Tabloda görüleceği gibi, Fransa 75,1 milyon turist
ve yüzde 9,8’lik payı ile dünyada en fazla turist çeken ülke konumundadır. Fransa’yı
53,6 milyon turist ile İspanya ve 46,1 milyon turist ile Amerika takip etmektedir.
Çin, bir önceki yıla göre % 26,7’lik bir artışla 41,8 milyon turiste ev sahipliği yapmış
ve dördüncülüğe yükselmiştir. Ülkelerin elde ettikleri turizm gelirlerine bakıldığında
74,5 milyar dolar ile ABD ilk sırada yer alırken 45,2 milyar dolar ile İspanya ikinci,
40,8 milyar dolarlık turizm geliri ile Fransa üçüncü sırada yer almaktadır. Türkiye ise
15,9 milyar dolar turizm geliri ile sekizinci sırada yer almıştır. 57
Tablo 1.3. Dünyada En Fazla Turist Kabul Eden ve Turizm Gelirine Sahip Ülkeler
(2004)
ÜLKE
Turist
(Milyon Kişi)
Dünyadaki
Payı (%)
ÜLKE
Gelir
(Milyar $)
Dünyadaki
Payı (%)
Fransa 75,1 9,8 ABD 74,5 12
İspanya 53,6 7 İspanya 45,2 7,3
ABD 46,1 6 Fransa 40,8 6,5
Çin 41,8 5,4 İtalya 35,7 5,7
İtalya 37,1 4,8 Almanya 27,7 4,5
İngiltere 27,7 3,6 İngiltere 27,3 4,4
Hong
Kong
21,8 2,8 Çin 25,7 4,1
Meksika 20,6 2,7 Türkiye 15,9 2,5
Almanya 20,1 2,6 Avusturya 15,4 2,4
Avusturya 19,4 2,5 Avustralya 13 2
Kaynak: World Tourism Barometer, 2005-2: 5
Dünya Turizm Örgütü tarafından yayınlanan “Tourism 2020 Vision” isimli
çalışmada; 2010 yılında uluslararası turizme katılan kişi sayısının 1 milyar, 2020
yılında ise 1,6 milyara ulaşması tahmin edilmektedir. Uluslararası turizm gelirlerinin
ise ulaştırma masrafları hariç 2010 yılında 1,5 trilyon dolar, 2020 yılında ise 2 trilyon
dolara ulaşacağı öngörülmektedir. 58
57 World Tourism Organization, a. g. e. , s. 5
58 World Tourism Organization, Tourism 2020 Vision, Madrid, 2001, s. 9
22

Tablo 1.4. 2010 ve 2020 Yılları İçin Bölgelere Göre Uluslararası Turizm Talebi
Bölgeler
Baz Yıl Tahminler
Tahminleri (Milyon Kişi)
Ort. Yıllık
Büyüme Oranı
Pazar Payı (%)
1995 2010 2020 1995-2020 1995 2020
Toplam 565,4 1.006,4 1.561,1 4,1 100 100
Afrika 20,2 47 77,3 5,5 3,6 5
Amerika 108,9 190,4 282,3 3,9 19,3 18,1
D.Asya
Pasifik
81,4 195,2 397,2 6,5 14,4 25,4
Avrupa 338,4 527,3 717 3 59,8 45,9
Orta doğu 12,4 35,9 68,5 7,1 2,2 4,4
Güney Asya 4,2 10,6 18,8 6,2 0,7 1,2
Bölge içi 464,1 790,9 1.183,3 3,8 82,1 75,8
Uzun mesafe 101,3 215,5 377,9 5,4 17,9 24,2
Kaynak: Tourism 2020 Vision, 2001: 9
Aynı çalışmaya göre, Avrupa ve Amerika’nın, dünyada % 4,1 olarak
öngörülen ortalama artış hızının altında, Doğu Asya Pasifik, Afrika, Orta Doğu ve
Güney Asya’nın ise, dünya ortalamasının üzerinde büyüme göstermeleri
beklenmektedir. Tablo 1.4’te görüldüğü gibi; Avrupa’nın 1995 yılında % 59,8 olan
uluslar arası turizm hareketlerinden aldığı pay, 2020 yılında yüzde 45,9’a düşecek,
ancak dünyada birinci sıradaki konumunu koruyacaktır. Aynı dönemde Doğu Asya
Pasifik bölgesinin payı yüzde 14,4’ten yüzde 25,4’e yükselecek ve bu bölge
Amerika’nın yerini alarak ikinci sıraya yerleşecek, Amerika ise yüzde 18,1’lik payı
ile üçüncü sırada yer alacaktır. Ayrıca 1995 yılında dünyada yüzde 82,1 olan kıtalar
içi seyahatlerin oranının azalarak, 2020 yılında yüzde 75,8’e kadar gerileyeceği, buna
karşın kıtalar arası uzun mesafe seyahatlerin artacağı tahmin edilmektedir. 59
59
GOELDNER C. R. ve BRENT J. R., Tourism: Principles, Practices, Philosophies, John Wiley
And Sons Inc., New Jersey, 2002, s. 383
23

1.3. Türkiye’de Turizmin Tarihsel Gelişimi
Türkiye’de turizmin gelişimi, planlı dönem öncesi (1923-1963) ve planlı
dönem (1963’ten günümüze) olmak üzere iki ana döneme ayrılabilir. Planlı dönem
öncesinde turizm ile ilgili gelişmeler Türkiye’nin o yıllardaki genel ekonomik
gerçeklerinden dolayı son derece sınırlı kalmış fakat yine de önemli sayılabilecek
bazı adımlar atılmıştır. 60
1.3.1. Planlı Dönem Öncesinde Türkiye’de Turizm
Türkiye’de turizm alanında ilk faaliyetler, 1923 yılında İstanbul’da “Türk
Seyyahin Cemiyeti” adı ile kurulan ve 1930 yılında “Türkiye Turing ve Otomobil
Kurumu” adını alan dernekle başlamıştır. Devletin resmi bir turizm örgütünün
bulunmadığı uzun yıllar boyunca bu nitelikte bir görevi yerine getiren bu kurum,
turizmi geliştirecek yayınların yapılması, tarihi eserlerin korunması ve Türkiye’nin
yabancılara tanıtılması gibi amaçlara yönelik hizmetler vermiştir. Turizmin Türk
kamu yönetimi içerisinde yerini alması ise ilk olarak 1934 yılında “İktisat Vekaleti”
bünyesindeki Türk Ofisi’ne bağlı Turizm Bürosu’nun kurulması ile gerçekleşmiştir.
1939 yılında Ticaret Bakanlığı’na bağlı bir “Turizm Müdürlüğü” oluşturulmuştur.
1943 yılında turizm işleri, başbakanlığa bağlı olarak kurulan “Basın Yayın Genel
Müdürlüğü”’ne devredilerek bu kurumun görevleri arasında kabul edilmiştir. 1949
yılından itibaren “Basın Yayın ve Turizm Genel Müdürlüğü” adını alarak
çalışmalarını sürdüren bu örgüt bünyesinde turizm işlerinde etkinliği sağlamak
amacıyla bir de “Turizm Dairesi” oluşturulmuştur. 61
Türkiye’de turizm alanında yapılacak yatırımların özendirilmesi konusu ilk
olarak 24.03.1950 tarihli “Turizm Müesseselerini Teşvik Kanunu” ile ele alınmış ve
aynı yıl Türkiye Emlak Kredi Bankası vasıtasıyla 1 milyon TL Turizm Kredisi Fonu
oluşturulmuştur. Bu düzenlemelerden sonra ülkemizde turizmin bir sanayi haline
getirilmesi çalışmalarına hız verilmiş ve bu amaçla 1953 yılında 6086 sayılı “Turizm
Endüstrisini Teşvik Kanunu” yürürlüğe girmiştir. Turizmin devlet tarafından
60 YAĞCI. Ö., Turizm Ekonomisi, Detay Kitap ve Yayıncılık, Ankara, 2003, s. 202
61 BARUTÇUGİL, İ. S. (a), a. g. e. , s. 69-70
24

desteklenmesi konusundaki önemli bir aşama, başta Ziraat Bankası olmak üzere bazı
bankaların katılımıyla 1955 yılında 10 milyon TL sermayeli T.C. Turizm Bankası’nın
kurulmasıdır. Bu bankanın amacı; turizm yatırımlarına finansman sağlamanı yanı
sıra iç ve dış turizmi geliştirmeye yönelik olarak çeşitli turistik tesislerin kurulması
ve işletilmesidir. 62 1962 yılında 300 milyon TL sermayeli bir kuruluş haline
dönüştürülen banka, AID (Agency for International Development) tarafından
oluşturulan turizm fonlarından Türkiye’ye önemli kaynakların aktarılmasını
sağlarken, bir taraftan da Abant, Kilyos, Çeşme ve Uludağ gibi yerlerde örnek turizm
işletmelerinin kurulmasına destek olmuştur. 63
Turizm ile ilgili diğer bir kanuni düzenleme ile; “Basın Yayın ve Turizm
Genel Müdürlüğü”, 25 Kasım 1957’de “Basın Yayın ve Turizm Vekaleti” adı ile
bakanlık haline getirilmiştir. Bu gelişme Türkiye’de turizmin bakanlık seviyesinde
ele alınışının başlangıcı olması açısından önemlidir. Böylece turizm ile ilgili konular
hükümet seviyesine yükselerek devletin ana fonksiyonları arasına girmiştir. 64
Planlı kalkınma döneminin başladığı 1963 yılında, “Basın Yayın ve Turizm
Vekaleti” lağvedilerek yerine yalnızca turizmle ilgilenmesi amaçlanan 265 sayılı
kanunla Turizm ve Tanıtma Bakanlığı” kurulmuştur. İç ve dış turizmi geliştirmek,
turizmi milli ekonominin verimli bir kesimi haline getirmek, ülkenin turizme elverişli
tüm imkanlarını değerlendirmek, turizmle ilgili çalışmaları araştırmak, düzenlemek,
özendirmek, yol göstermek ve Türkiye’yi tanıtıcı hizmetleri yürütmek gibi görevler
bu bakanlığa verilmiştir. 65
Türkiye’de turizm istatistiklerinin derlenmeye başladığı 1950 yılından planlı
döneme kadar turizm alanındaki gelişmeler, Tablo 1.5’de verilmiştir. Ülkemize 1950
yılında 28.625 yabancı turist gelmiştir. Gelen turist sayısı izleyen yıllarda sürekli
artarak 1957 yılında 100.803’e ulaşmıştır. 1959 yılında 126.610’a ulaşan turist sayısı,
27 Mayıs ihtilalinin yapıldığı 1960 yılında 94.077’ye gerilemiştir. 1962 yılında gelen
62 ANDAÇ, F., Turizm Hukuku, Detay Anatolia Akademik Yayıncılık Ltd., Ankara, 2003, s. 5
63 EVLİYAOĞLU, S., a.g.e, s. 123
64 ŞAHİN, A., İktisadi Kalkınmadaki Önemi Bakımından Türkiye’de Turizm Sektöründeki
Gelişmelerin Değerlendirilmesi, Türkiye Odalar ve Borsalar Birliği Yayını No: 149, Ankara,
1990, s. 106
65 ANDAÇ, F., a. g. e. , s.8
25

turist sayısı 172.867, turizmden elde edilen gelir ise 7.316.000 dolar olarak
gerçekleşmiştir. Bu dönemin en önemli özelliği, ihtilalin yapıldığı 1960 yılında siyasi
istikrarsızlık nedeniyle ülkeye gelen yabancı turist sayısında belirgin bir düşüşün
yaşanmış olmasıdır.
Tablo 1. 5. Planlı Dönem Öncesinde Türkiye Turizmine İlişkin Veriler
(1950 - 1962)
YILLAR
Turizme Uygun
Yatak Sayısı
Gelen Turist
Sayısı
Turizm
Gelirleri
(1000 $)
1950 3.300 28.625 _
1951 _ 31.377 4.317
1952 6.219 38.837 2.287
1953 _ 70.055 2.350
1954 _ 71.331 1.771
1955 9.000 79.369 1.979
1956 _ 99.414 2.495
1957 _ 100.803 1.041
1958 _ 114.744 1.535
1959 12.326 126.610 4.756
1960 14.200 94.077 5.460
1961 _ 129.104 6.880
1962 22.050 172.867 7.316
Kaynak: Barutçugil, 1986: 71
1.3.2. Planlı Dönemde Türkiye’de Turizmin Gelişimi
Türkiye’de 1963 yılında başlayan döneme “Planlı Dönem” adı verilir. Bu
dönem 1950-1960 döneminin plansız kalkınma anlayışına bir tepki olarak
geliştirilmiş ve uygulamaya konulmuştur. Planlı dönemde devletin ekonomik ve
sosyal hayata müdahalesinin beş yıllık kalkınma planları çerçevesinde gerçekleşmesi
hedeflenmiştir. Dayanağını anayasadan alan kalkınma planları, kamu sektörü için
emredici, özel sektör için yol gösterici nitelikte olmuştur. 66 Planlı döneme geçişle
birlikte turizm sektörü Beş Yıllık Kalkınma Planları kapsamına alınmış, sektörel
66 ÇAKIR, M. ve BOSTAN, A., “Turizm Sektörünün Ekonominin Diğer Sektörleri ile Bağlantılarının
Girdi-Çıktı Analizi ile Değerlendirilmesi”, Anatolia Turizm Araştırmaları Dergisi, Eylül-
Aralık, 2000, s. 36
26

faaliyetlerin düzenlenmesi ve geliştirilmesi amacıyla önemli çalışmalar yapılmıştır. 67
Başlangıçta turizm talebine yatak ve diğer işletmelerle ihtiyaçları karşılamaya
yönelik olarak alınan kararlar, giderek turizm sektörünün değişen koşullarına göre
şekil almıştır. 68
Uygulamaya konulan kalkınma planları incelendiğinde turizm sektörü ile
ilgili hedefleri şu şekilde özetlemek mümkündür: 69
• Turizm yoluyla sağlanacak döviz gelirlerini arttırmak ve ödemeler
bilançosu açığının kapatılmasında yararlanmak,
• Türkiye’ye gelen turist sayısını arttırmak,
• Turistlerin ortalama kalış ve harcama sürelerini arttırmak,
• Turizmde öncelikli yöreler tespit etmek, alt yapı ve fiziksel planlama
faaliyetlerini tamamlamak,
• İç turizm hareketlerini geliştirmek, bu amaçla özellikle çalışanlara tatil
imkanları hazırlamak,
• Tanıtma faaliyetlerine ağırlık vermek,
• Fiyat politikasını tespit etmek,
• Kamunun altyapıyı, özel kesimin üstyapıyı gerçekleştirmesini sağlamak,
• Yabancı yatırımları özendirmek.
Planlı dönem, 1963-1983 yılları arasında devletin, turizm gelişimini sağlamak
üzere şartları oluşturduğu ve öncü rol oynadığı “birinci dönem” ve 1983’den
günümüze süregelen “liberalizasyon dönemi” olarak iki alt döneme ayrılabilir.
Birinci dönem, turizmle ilgili temel kadroların ve kurumların oluştuğu, bilgi
67 OLALI, H. ve TİMUR, A. (a), Turizmin Türk Ekonomisindeki Yeri, Ofis Ticaret Matbaacılık
Ltd. Şti., İzmir, 1986, s. 22
68 KOZAK, N. vd., a. g. e. , s. 119
69 ŞAHİN, A., a. g. e. , s. 111
27

irikiminin sağlandığı, turizmle ilgili mevzuatta gerekli düzenlemelerin yapıldığı bir
dönem olarak ifade edilebilir. 70
Devletin öncü rolü oynadığı bu dönemde uygulanan yasal ve finansal
araçların bazıları: 71
• 1965’te çıkarılan ve belgelendirme sistemi getiren, “Turizm Tesisleri
Nitelikleri Yönetmeliği”,
• “Öncelikli Turizm Bölgeleri” için Bakanlar Kurulu Kararı ile
kredilendirme yolunun açılması,
• 1972 yılında seyahat acentelerini bir çatı altında birleştirmek amacıyla
1618 sayılı “Seyahat Acenteleri Birliği Yasası” ile TÜRSAB (Türkiye
Seyahat Acenteleri Birliği) kurulması,
• 1972 yılında ev pansiyonculuğunu geliştirmek üzere başlatılan kredi
programı,
• Turizm tanıtımının vazgeçilmez koşulu olan, yayın materyali basımı için
gerekli basım malzemesinin ithalinin kolaylaştırılması ile ilgili 1973
yılında getirilen yasal düzenlemelerdir.
Türkiye’de, Kalkınma Planları’nın öngördüğü yönde turizmin özendirilmesi
ile 1970’lerde ülkeye gelen yabancı turist sayılarında önemli artışlar sağlanmış ve
yabancı turist sayısı 1972 yılında bir milyonu, 1975 yılında ise 1,5 milyonu aşmıştır.
Ancak 1970’li yılların sonundan başlayarak 1982 yılına kadar ülkemize gelen
yabancıların sayılarının artışında duraklama yaşanmıştır. Türkiye’de söz konusu
yıllarda iç siyasal karışıklıkların (anarşi ortamı ve12 Eylül ihtilali gibi) etkisi ile
beraber, batılı ülkelerin petrol krizinden sonra düştükleri ekonomik bunalımın önemli
etkisi olduğu söylenebilir. 72
70 EGELİ, H. A., “Türk Turizminin Gelişimini Etkileyen Faktörler ve Diğer Sektörlerle İlişkisi”,
Dokuz Eylül Üniversitesi, İ.İ.B.F. Dergisi, Cilt: 12, Sayı: II, 1997, s. 111
71 TÜBİTAK (a), a. g. e. , s. 20
72 AVCIKURT, C. ve KARAMAN, S., “Global ve Bölgesel Düzeyde Uluslararası Turizm Hareketleri
ve Türkiye”, Turizmde Seçme Makaleler, TUGEV Yayını No: 34, Mayıs, 1995, İstanbul, s. 12
28

1980’li yıllara girerken turizmin sayısal büyüklüklerinin, ekonominin
beklentileri ve ülkenin sahip olduğu doğal, kültürel ve tarihi zenginliklerinin karşılığı
olmadığı tespitinden hareketle, turizme bakış açısının değiştirilmesi ve bu sektörün
ekonomik ve sosyal yönleri ile ele alınmasını ön plana çıkarmıştır. 24 Ocak 1980
tarihinde uygulamaya konulan “Ekonomik İstikrar Tedbirleri” turizm sektörünü
doğrudan etkilemiştir. 24 Ocak kararlarının turizmi etkileyen maddeleri arasında;
devalüasyon kararı, Türk Parasını Koruma Kanunu’ndaki değişiklikler, yabancı
sermaye çerçeve kararnamesi, kambiyo mevzuatının değiştirilmesi sayılabilir. 73
1982 yılında çıkarılan 2634 sayılı “Turizmi Teşvik Kanunu”, Türkiye’de
turizmin gelişmesi açısından dönüm noktası olmuştur. Bu kanun ile turizm alan,
merkez ve bölgeleri belirlenmiş, bu alanlarda altyapı yatırımların devletin yapması,
kamu arazilerinin belirli bir süre için yatırımcıya tahsisi gibi çeşitli teşvikler
sağlanmıştır. 74 1983 – 1984 yıllarında yatırım indirimi, gümrük muafiyeti ve faiz
farkı iadesi gibi teşvikler uygulanmış, 1985 yılında turizm, “Kalkınmada Özel Önem
Taşıyan Sektörler” kapsamına alınmış, böylece yatırım indirimi ve yatırım kredisi
kullanabilme imkanlarına sahip olmuştur. 75 1986 yılında ise “Kaynak Kullanımını
Destekleme Primi” adıyla verilen hibe türü teşvik uygulaması, turizm yatırımlarına
büyük bir hız kazandırmıştır. Hibe uygulaması 1992 yılında kaldırılmıştır. Bu
sistemin yerine fon kaynaklı kredi uygulamasına geçilmiştir. Ancak kısa vadeli
olması nedeniyle turizm yatırımlarının yapısına uygun gelmemiş ve kaynak
yetersizliği nedeniyle kaldırılmıştır. 76
Bu teşvik tedbirlerinin sağladığı ivme ile, Tablo 1.6.‘da görüldüğü gibi 1980–
1990 yılları arasında yatırım ve işletme belgeli tesis sayısı 318’den 3.181’e, yatak
sayısı ise 323.32’den 415.468’e yükselmiştir. 1980-1990 yılları arasında tesis ve
yatak sayısı % 120 dolayında artış gösterirken, 1990-2000 yılları arasında ancak %
10’luk bir artış gerçekleşmiştir. Bunun başlıca nedeni, 1992 yılından itibaren turizm
73 TUTAR, E. ve TUTAR, F., Turizm Sektörünün Ekonomiye Katkıları Açısından Türkiye’nin
OECD Ülkeleri Arasındaki Yeri, Seçkin Yayıncılık, Ankara, 2004, s. 75
74 SÜRÜCÜ, F., “Turizm Sektöründe Ülkemizin Genel Politikaları”, I. Uluslararası Turizm
Sempozyumu, Yıldız Teknik Üniversitesi, İstanbul, 1998, s. 26
75 BULUT, E. (b), “Türk Turizminin Dünyadaki Yeri ve Dış Ödemeler Bilançosuna Etkisi”, Gazi
Üniversitesi, İ.İ.B.F. Dergisi, Cilt: 2, Sayı: 3, 2000, s. 82
29

sektörüne sağlanan teşviklerin sınırlandırılmış, bir kısmının ise kaldırılmış
olmasıdır. 77
Tablo 1.6. Türkiye’de Turist Sayısı, Turizm Gelirleri ve Tesis Kapasitesinin
Gelişimi (1980-2004)
İşletme Belgeli Yatırım Belgeli
Yıllar
Turist
Sayısı
Gelir
(1000 $)
Tesis Yatak Tesis Yatak
1980 1.288.060 326.654 511 56.044 267 26.288
1981 1.405.311 381.268 529 58.242 278 30.291
1982 1.391.717 370.320 569 62.372 339 36.332
1983 1.625.099 411.088 611 65.934 376 43.425
1984 2.117.094 840.000 642 68.266 412 53.615
1985 2.614.924 1.482.000 689 85.995 501 71.521
1986 2.391.085 1.215.000 731 92.129 638 101.383
1987 2.855.546 1.721.117 834 106.214 892 153.786
1988 4.172.727 2.355.295 957 122.306 1268 218.445
1989 4.459.151 2.556.529 1102 146.086 1662 288.896
1990 5.389.308 3.225.000 1260 173.227 1921 325.515
1991 5.517.897 2.654.000 1404 200.678 1987 331.711
1992 7.076.096 3.639.000 1498 219.940 1938 309.139
1993 6.500.638 3.959.000 1581 235.238 1788 276.037
1994 6.670.618 4.321.000 1729 265.136 1578 240.392
1995 7.726.886 4.957.000 1793 286.463 1334 202.483
1996 8.614.085 5.962.100 1866 301.524 1309 202.631
1997 9.689.004 8.088.549 1933 313.298 1402 236.632
1998 9.752.697 7.808.940 1954 314.215 1365 249.125
1999 7.487.285 5.203.000 1907 319.313 1311 245.543
2000 10.428.153 7.636.000 1824 325.168 1300 243.794
2001 11.618.969 10.066.500 1980 364.779 1240 230.248
2002 13.256.028 11.900.900 2124 396.148 1138 222.876
2003 14.029.558 13.203.100 2240 420.697 1130 242.603
2004 17.516.908 15.887.700 2325 438.298 1138 247.589
Kaynak: Kültür ve Turizm Bakanlığı İstatistikleri
Benzer şekilde 1983–1991 yılları arasında turizm sektöründe görülen hızlı
gelişmeyi, ülkemize gelen turist sayılarında ve turizm gelirlerinde görmek
76
ÇEKEN, H., Küreselleşme, Yabancı Sermaye ve Türkiye Turizmi, Değişim Yayınları, İstanbul,
2003, s. 156
77
Turizm Bakanlığı, Turizmde 2. Atılım Dönemi, Ankara, 2002, s. 7
30

mümkündür. 1980-1990 döneminde gelen turist sayısı yaklaşık olarak dört kat
artarak 1.288.060’dan 5.389.308’e, turizm gelirleri ise on kat artarak 326.654’ten
3.225.000’e yükselmiştir (Tablo 1.6. ). 1993 ve 1994 yılları Türk turizmi açısından
oldukça kötü geçmiştir. Anarşi ortamı, Güneydoğu sorunu, rakip ülkelerin anti
propagandaları, dolardaki artışın üzerinde enflasyon artışları, hızla gelişen üstyapıya
uygun altyapının oluşturulamamasından dolayı sunulan turistik hizmetlerin
niteliğinin düşmesi gibi nedenlerle gelen yabancı turist sayısı 1993 yılında % 8
oranında azalmış, 1994 yılında ise sadece % 1,1’lik bir artış göstermiştir. 78
1999 yılında konjonktürel nedenlerle yaşanan rezervasyon iptallerinin yanı
sıra, sektörde yaşanan yapısal sorunlar nedeniyle turist girişlerinde bir önceki yıla
göre önemli düşüş yaşanmış, Marmara Bölgesi’nde yaşanan deprem felaketi sorunu
daha da büyütmüştür. Bu olumsuz gelişmelerin etkisiyle 1999 yılında Türkiye’ye
gelen turist sayısı bir önceki yıla göre yaklaşık % 30 azalarak 7,5 milyona gerilemiş
ve turizm geliri bir önceki yıla göre % 22,5’lik bir azalma ile 5,2 milyar dolar olarak
gerçekleşmiştir. 2001 yılında gelen turist sayısı 11,6 milyona, turizm gelirleri de 8
milyar dolara yükselmiş, böylece önceki yıllarda yaşanan artış trendine ulaşılmıştır. 79
2004 yılında ülkemize gelen yabancı turist sayısı 2003 yılına göre %24,86 artışla
17.516.908, turizm gelirleri ise % 203.3 artışla 15.887.700 dolar olarak
gerçekleşmiştir.
Yıllar itibariyle, Türkiye’ye gelen turistlerin milliyetlerine göre dağılımları
Tablo 1.7.’de verilmiştir. Tablodan da görüleceği gibi, 2004 yılında Türkiye’ye en
fazla ziyaretçi gönderen ülke sıralamasına göre; Almanya 3.983.899 ziyaretçi
sayısıyla birinci (% 22,7), 2.792.123 ziyaretçi sayısı ile Bağımsız Devletler
Topluluğu (BDT) ikinci (% 15,9), 1.387.808 ziyaretçiyle İngiltere üçüncü (% 7,9)
sırada yer almıştır. İngiltere’yi Bulgaristan, Hollanda, İran, Fransa, Yunanistan,
Avusturya, Belçika, Azerbaycan, İtalya, İsrail ve A.B.D. izlemektedir.
78 EGELİ, H. A., a. g. e. , s. 116
79 YAĞCI, Ö., a. g. e. , s. 204
31

Tablo 1.7. Türkiye’ye Gelen Turistlerin Milliyetlerine Göre Dağılımı
Ülke 2002 % 2003 % 2004 %
1 Almanya 3.481.671 26,3 3.332.451 23,8 3.983.899 22,7
2 B D T 1.661.079 12,5 2.121.254 15,1 2.792.123 15,9
3 İngiltere 1.037.507 7,8 1.091.404 7,8 1.387.808 7,9
4 Bulgaristan 834.073 6,3 1.006.612 7,2 1.309.885 7,5
5 Hollanda 873.278 6,6 940.098 6,7 1.191.382 6,8
6 İran 432.282 3,3 497.282 3,5 628.726 3,6
7 Fransa 522.740 3,9 470.582 3,4 548.858 3,1
8 Yunanistan 280.033 2,1 393.517 2,8 485.417 2,8
9 Avusturya 377.036 2,8 379.830 2,7 455.863 2,6
10 Belçika 313.585 2,4 308.118 2,2 426.971 2,4
11 İtalya 210.657 1,6 236.931 1,7 318.097 1,8
12 İsrail 270.263 2,0 321.152 2,3 299.172 1,7
13 A B D 247.629 1,9 222.918 1,6 291.102 1,7
Diğer 2.714.195 20,5 2.707.409 19,2 3.398.258 19,4
Toplam 13.256.028 100 14.029.558 100 17.516.908 100
Kaynak: Kültür ve Turizm Bakanlığı İstatistikleri, 2004
Dünya Turizm Örgütü (WTO) tarafından hazırlanan “Tourism 2020 Vision:
Europe” isimli çalışmada, Türkiye’nin Akdeniz bölgesinde % 7.8’lik pazar payı, 27
milyon turist ile Fransa, İspanya ve İtalya’dan sonra dördüncü ülke konumuna
geleceği, ve aynı yıl turizmden elde edeceği gelirin 40 milyar dolara yükseleceği
tahmini yapılmaktadır. Aynı çalışmada Türkiye’nin 2020 yılına kadar yıllık ortalama
%5,5’lik büyüme hızıyla bölgesinde en hızlı gelişen üçüncü ülke olacağı
belirtilmektedir. 80
1.4. Turizmin Ekonomik Etkileri ve Türkiye Ekonomisindeki Yeri
Turizm, sosyal ve kültürel boyutlarının yanında, en fazla ekonomik yönüyle
ele alınan toplumsal bir faaliyettir. 1980’li yıllardan itibaren ekonomik ve kitlesel bir
olgu haline gelen turizmin özellikle gelişmekte olan ülke ekonomileri üzerindeki
80 BAHAR, O. ve KOZAK, M. a.g.e, s. 195 ve http://www.tbb.gen.tr/turkiye/content/turkey/324-
325.htm (İndirilme tarihi: 05,10,2005)
32

olumlu etkileri, turizmin ekonomik yönünü daha da ön plana çıkarmıştır. Ülke
ekonomilerinin karşılaştığı ulusal ve uluslararası ekonomik sorunların çözümünde ve
darboğazların aşılmasında turizm, dinamik ve ekonomik özelliği ile adeta bir çıkış
noktasını oluşturmaktadır. 81
Turizmin ekonomik sonuçları genel olarak makro düzeyde ele alındığında, iki
temel alanda ülke ekonomisini etkilediği görülmektedir. Bunlardan birincisi parasal
nitelikli olarak tanımlanan etkilerdir. Bu tip etkiler; turistlerin yapmış oldukları
tüketim harcamalarının ekonomi içerisinde yarattığı parasal etkilerdir. Turistik
harcamaların meydana getirdiği diğer bir etki de; reel nitelikli olarak bilinen,
ekonomideki üretim ve istihdam artışı şeklinde ortaya çıkan etkilerdir. 82
Turizmin ekonomi içindeki yerini gösteren en önemli göstergeler, turizm
döviz gelirlerinin ihracat gelirleri, Gayri Safi Milli Hasıla 83 (GSMH) ve ödemeler
dengesi içindeki payıdır. 84 Türkiye’de turizm gelirlerinin GSMH içindeki payı planlı
kalkınma döneminin başlangıcından (1963 yılı) itibaren çok küçük oranlarda artmış
ve bu pay ancak 1984 yılından sonra % 1’in üzerine çıkabilmiştir. Bunun nedeni de
1982’den sonra turizm sektörüne önem verilmiş olması ve yatırımların hızla artmış
olmasıdır. 85 1984 yılından itibaren uygulanan hibe şeklindeki teşviklerin etkisiyle
turizm yatırımlarındaki artış, turizm gelirlerini de artırmıştır. Tablo 1.8.’de
görüleceği gibi, Türkiye'de turizmden sağlanan döviz gelirlerinin GSMH içindeki
payı, körfez savaşının olduğu 1991 yılında % 1,8’e ve Marmara depreminin olduğu
1999 yılında ise % 2,8’e düşmesi dışında genel olarak yıllar itibariyle artış
göstermiştir.
81
ÇAKIR, P., “Turizmin Ekonomiye Katkısı Üzerine Genel Bir Yaklaşım”, Anadolu Üniversitesi,
İ.İ.B.F. Dergisi, Cilt: XVII, Sayı: 1, 2001, s. 379 ve KOZAK, N. v.d., a. g. e. , s. 77,
82
ÖZKÖK. F., “Türkiye ve Avrupa Birliğinde Turizmin Ekonomik Etkileri”, Standard: Ekonomik
ve Teknik Dergi, TSE, Yıl: 42, Sayı: 498, Haziran, 2003, s. 73
83
Bir ekonomide belirli bir dönemde üretilen tamamlanmış (nihai) mal ve hizmetlerin piyasa
değerinin toplamı “Gayri Safi Milli Hasıla” olarak adlandırılmakta ve bu kavram ülkenin genel
ekonomik performansının değerlendirilmesinde en yoğun kullanılan kavram olmaktadır.
84
YARCAN, Ş., Türkiye’de Turizm ve Uluslararasılaşma, Boğaziçi Üniversitesi Yayınları, Yayın
No: 603, İstanbul, 1996, s. 43
85
ÇIMAT, A. ve BAHAR, O., “Turizm Sektörünün Türkiye Ekonomisi İçindeki Yeri ve Önemi”,
Akdeniz Üniversitesi İ.İ.B.F. Dergisi, Sayı: 6, 2003, s. 8
33

Tablo 1.8. Yıllar İtibariyle Türkiye’de Turizm Gelirlerinin GSMH
İçindeki Payı
Yıllar
GSMH
(Milyon $)
Turizm Gelirleri
(Milyon $)
Turizm Gelirlerinin
GSMH İçindeki Payı (%)
1980 57.198,3 326,7 0,6
1981 46.087,2 381,3 0,8
1982 52.853 370,3 0,7
1983 50.153,5 411,1 0,8
1984 48.986,5 840 1,7
1985 52.597,6 1.482 2,8
1986 75.173 1.215 1,6
1987 85.979 1.721,1 2
1988 90.460 2.355,3 2,6
1989 107.544 2.556,5 2,4
1990 150.758 3.225 2,1
1991 150.168 2.654 1,8
1992 158.122 3.639 2,3
1993 178.715 3.959 2,2
1994 132.302 4.321 3,3
1995 170.081 4.957 2,9
1996 183.601 5.962,1 3,2
1997 192.383 8.088,5 4,2
1998 206.552 7.808,9 3,8
1999 185.267 5.203 2,8
2000 200.002 7.636 3,8
2001 145.693 10.066,5 6,9
2002 180.892 11.900,9 6,6
2003 239.235 13.203,1 5,5
2004 299.475 15.887,7 5,3
Kaynak: Kültür ve Turizm Bakanlığı, Devlet İstatistik Enstitüsü
Turizmin ekonomik göstergelerinden bir diğeri de, turizmden elde edilen
döviz gelirlerinin ihracattan elde edilen gelire oranıdır. Turizm gelirlerinin ihracat
gelirleri içindeki payının artması, turizmin ödemeler dengesine olan katkısını ortaya
koymaktadır. Ülkeye gelen turistlerin gereksinimlerini karşılamak üzere doğrudan
veya dolaylı olarak yaptıkları harcamalar görünmeyen ihracat; satın aldıkları eşyalar
ve tüketim malları gibi alışverişler de ek ihracat olarak adlandırılmakta ve ülkenin
ödemeler dengesine olumlu katkı sağlamaktadır. 86
86 ÇIMAT, A. ve BAHAR, O., a. g. e. , s. 10, KOZAK, N., vd., a. g. e. , s. 79
34

Tablo 1.9. Yıllar İtibariyle Türkiye’de Turizm Gelirlerinin İhracat Gelirleri
İçindeki Payı
Yıllar
İhracat Gelirleri
(Milyon $)
Turizm Gelirleri
(Milyon $)
Turizm Gelirlerinin
İhracat Gelirleri
İçindeki Payı (%)
1980 2.910,1 326,7 11,2
1981 4.702,9 381,3 8,1
1982 5.746 370,3 6,4
1983 5.727,8 411,1 7,2
1984 7.133,6 840 11,8
1985 7.958 1.482 18,6
1986 7.456,7 1.215 16,3
1987 10.190 1.721,1 16,9
1988 11.662 2.355,3 20,2
1989 11.624,7 2.556,5 22
1990 12.959,3 3.225 24,9
1991 13.593,5 2.654 19,5
1992 14.714,6 3.639 24,7
1993 15.345,1 3.959 25,8
1994 18.105,9 4.321 23,9
1995 21.637 4.957 22,9
1996 23.225,5 5.962,1 25,7
1997 26.261,1 8.088,5 30,8
1998 26.974 7.808,9 28,9
1999 26.587,2 5.203 19,6
2000 27.774,9 7.636 27,5
2001 31.334,2 10.066,5 32,1
2002 36.059 11.900,9 33
2003 47.253 13.203,1 27,9
2004 63.017 15.887,7 25,2
Kaynak: Kültür ve Turizm Bakanlığı, Devlet Planlama Teşkilatı
Tablo 1.9. Türkiye’de turizm gelirlerinin ihracattan elde edilen döviz gelirleri
içindeki payını göstermektedir. Yıllar itibariyle turizm gelirlerindeki artışın ihracat
gelirlerinden daha hızlı olması sonucunda, turizm gelirlerinin ihracat gelirlerine
oranının 1991 ve 1999 yılları haricinde sürekli olarak yükseldiği görülmektedir. 1983
yılında bu oran % 7,2 iken, 1988’de % 20’ye 1997’de % 30’a ve 2002 yılında en üst
seviyesi olan % 33’e yükselmiştir. Ödemeler dengesi açısından değerlendirildiğinde,
1999 yılı hariç, son on yılda ihracat gelirinin yaklaşık 1/4’i turizm endüstrisinden
35

sağlandığı, yıllar itibariyle turizm gelirlerindeki artışın ödemeler dengesini
pozitif olarak etkilediği görülmektedir.
Turizmin ekonomik etkileri, sadece turistik tüketim harcamalarının yapılması
ve bu yolla gelir yaratılmasından oluşmamaktadır. Bununla beraber doğası gereği
emek yoğun olan bu sektörün gelişimi istihdamı artırarak ülke ekonomisine katkılar
sağlamaktadır. 87 Turistik tüketim harcamalarının ilk aşamasında elde edilen gelirler
doğrudan istihdam etkisi yaratırken, elde edilen gelirlerin tekrar harcanması ile
dolaylı istihdam etkisi ortaya çıkmaktadır. Turizm sektörünün emek-yoğun üretim
tarzı, turistik ürün ve hizmet üretiminde otomasyona geçme imkanının sınırlı olması
turizmin doğrudan istihdam etkisini artırmaktadır. 88 Dünya Seyahat ve Turizm
Konseyi’nin (WTTC) hazırlamış olduğu “Turkey: The 2004 Travel & Tourism
Economic Research” adlı çalışmaya göre; 2004 yılında Türkiye’de turizm sektörü,
doğrudan 662.161 iş imkanı ile toplam istihdamın % 3,1’ini, doğrudan ve dolaylı
olmak üzere 1.337.890 iş imkanı ile toplam istihdamın % 6,3’ünü sağlamaktadır. 89
Özellikle avantajsız kesimler olarak adlandırılan gençlerin ve kadınların istihdam
edilmesinde önemli rolü olan turizm sektörünün, ülkemiz nüfusunun yarıdan
fazlasının kadınlardan oluştuğu ve genç bir nüfusa sahip olduğumuz gerçeği göz
önüne alınacak olursa, işsizliğin ortadan kaldırılmasına yönelik mücadeleye büyük
katkı sağladığı açıktır. 90
Turizmin ekonomik etkileri Türkiye açısından değerlendirildiğinde; milli
gelire olan katkısının yanında sağladığı döviz gelirleri ile ödemeler dengesi açığının
kapanmasında önemli rol oynayan, geniş kitlelere iş imkanı sağlayarak işsizliğin
azaltılmasına katkıda bulunan bir sektör konumuna geldiği görülmektedir.
Turizmden elde edilen döviz gelirlerinin GSMH ve ihracat gelirleri içindeki paylarını
gösteren tablolar ile sağladığı toplam istihdam rakamları incelendiğinde, turizmin
ülke ekonomisi açısından ne kadar önemli olduğu ortaya çıkmaktadır.
87 KAR, M., ZORKİRİŞÇİ, E. ve YILDIRIM, M., “Turizmin Ekonomiye Katkısı Üzerine Ampirik Bir
Değerlendirme”, Akdeniz Üniversitesi İ.İ.B.F. Dergisi, Sayı: 8, 2004, s. 90
88 ÇEKEN, H., a. g. e. , s. 142
89 World Travel &Tourism Council, Turkey: The 2004 Travel & Tourism Economic Research,
2004, s. 4
90 Turizm Bakanlığı, a. g. e. , s. 3
36

1.5. Turizm Talebi
Konuşma dilinde talep “istek”, “arzu” anlamına gelmektedir. İnsan
ihtiyaçlarının sonsuz olduğu dikkate alınacak olursa, tüketicilerin her gördüklerini
arzulamaları, sahip olmak istemeleri doğaldır. Ancak, ekonomik anlamda bir satın
alma isteğinin “talep” sayılabilmesi için satın alma gücü ile desteklenmesi gerekir.
Ekonomik anlamda talep denildiğinde, satın alma gücüne sahip ve satın alma
istemindeki insanların, bir mal veya hizmetten, belirli bir zamanda ve belirli
fiyatlardan satın almak istedikleri miktarlar kastedilir. 91 Ekonomi disiplininin yapmış
olduğu tanımdan yola çıkarak turizm talebini; “yeterli satın alma gücüne ve boş
zamana sahip olup belirli bir zaman diliminde, belirli bir hedef doğrultusunda
turistik ürün ve hizmetlerden faydalanan yada yararlanmak isteyen kişi veya kişiler
topluluğu” şeklinde tanımlamak mümkündür. Tanımdan da anlaşılacağı üzere turizm
sektörüne özgü talep kavramından söz edebilmek için; 92
• Tüketim zamanının kesin olarak sınırlarının çizilmiş olması,
• Tüketimde bulunacak kimsenin belirli bir gelire ve boş zamana sahip
olması,
• Turistik ürün ve hizmetlerin belirli bir piyasada turistlerin hizmetine
sunulmuş olması,
• Tüketicinin ürün ve hizmetlerden yararlanmak için isteğinin olması
gerekmektedir.
Tüketici kitle, turist olabileceği gibi ziyaretçi yada bir yerden farklı bir yere
seyahat eden grup olabilir. Seyahat ve tatil yapma isteminde olup, bunun için zaman,
fiziksel, yasal, tıbbi, vb. herhangi bir engeli olmayan ve bu isteğini gerçekleştirecek
ekonomik güce sahip olan her insan, bireysel turizm talebini; belirli bir pazara
yönelenlerin bütünü de toplam turizm talebini oluşturur. Toplam turizm talebi;
coğrafi açıdan “ülke içi turizm talebi” ve “uluslararası turizm talebi” şeklinde
sınıflandırılmaktadır. Ülke sakinlerinin kendi ülkelerindeki turizm ürünlerine
91 DİNLER, Z., İktisada Giriş, Ekin Kitabevi, Bursa, 2003, s. 46-47
37

duydukları gereksinim ülke içi turizm talebini oluşturur. Uluslararası turizm talebi
ise, insanların kendi ülkeleri dışındaki yerlere seyahat etme ve oralardaki turizm
ürünlerini satın alma isteklerinden doğan bir tatmin olma biçimidir. 93
Tanımda dikkat çeken bir husus da, turizm talebinin sadece tüketimde
bulunan kişilerden oluşmamasıdır. Belirtilen özelliklere sahip ve seyahat etme
isteğinde olan ancak değişik nedenlerle (kişisel etkenler, arz kaynaklarının
yetersizliği vb.) turizm hareketlerine doğrudan katılamayan kimselerin de göz
önünde bulundurulması gerekir. Cooper ve diğerleri, toplam turizm talebinin üç
temel bileşenden meydana geldiğini belirtmiştir; 94
a. Efektif (Gerçek) Turizm Talebi: Hemen hemen bütün turizm
istatistiklerinde yer alan ve en yaygın ölçülen turizm talebi bileşenidir. Turizmde
aktif olarak yer alan ya da kaynaktan çekim merkezine doğru seyahat eden “fiili”
turistler gibi gerçek kişi sayısıdır. Efektif talep, satın alma isteği ile birlikte satın
alma gücü, yani parasal olanaklar da kullanılarak seyahat ve turizm ürünlerinden
yararlanan grupları ifade etmektedir. Turizm sektöründe faaliyet gösteren
işletmeciler ve yöneticilerin en fazla ilgilendikleri turizm talebi bileşenidir
b. Bastırılmış Turizm Talebi: Turizm talebinin bu bileşeni, nüfusun çeşitli
kısıtlamalar nedeniyle seyahat edemeyen kısmını temsil etmektedir. Bastırılmış talep,
iki unsurdan oluşmaktadır; potansiyel turizm talebi ve ertelenmiş turizm talebi.
Potansiyel turizm talebi, koşullarında değişiklik olduğu takdirde gelecekte seyahat
edecek kişileri ifade etmektedir. Örneğin; kendilerine uygun fiyatlı bir tatil paketi
sunulduğunda seyahate çıkabilirler. Bu nedenle, bu grupta yer alan kişiler, efektif
turizm talebi kategorisine dahil olma şansına sahiptirler. Bastırılmış turizm talebinin
ikincisi ise; arz verilerinden kaynaklanan geçici bir problem veya kısıt nedeniyle
ertelenmiş taleptir. Örneğin, gidilecek bölgedeki konaklama işletmelerinde ya da
ulaştırma araçlarında yer bulunamaması, talebin geçici olarak ertelenmesine neden
olur. Arz olanaklarında meydana gelecek olumlu gelişme ile ertelenmiş talep, efektif
92
KOZAK. N., vd., a. g. e. , s. 62
93
ERDOĞAN, H., a. g. e. , s. 326
94
COOPER, C. P., FLETCHER, J., GILBERT, D. ve WANHILL, S., Tourism: Principles and
Practice, Addison-Wesley Longman, Limited, Harlow Essex, 1999, s. 24-25
38

talep kategorisine taşınabilir. Bastırılmış turizm talebi üzerinde yapılacak
araştırmalar önemlidir, çünkü talebin ertelenmesine neden olan etkenler tanımlanır
ve ortadan kaldırılırsa kolayca efektif talebe dönüşebilmektedir.
c. Gerçekleşmeyen Talep: Seyahat etmek için gerekli olanaklara sahip
olmayan veya bu isteği gerçekleşemeyen kişilerden oluşmaktadır. Örneğin savaş
halinde olan ülkeler, vatandaşlarının bazı ülkelere seyahat etmelerini
engellemektedirler. Diğer bir örnek olarak; bazı ülke vatandaşlarının, güvenlik,
politik veya sağlık nedenleriyle yurt dışına çıkışları engellenebilmektedir. Turizm
talebinin bu bileşeninin, efektif talebe dönüştürülmesi ihtimalinin düşük olması ve
veri temin etmenin oldukça güç olması nedeniyle bu konuyla ilgili çalışmalar son
derece kısıtlı kalmıştır.
1.5.1. Turizm Talebinin özellikleri
Turizm talebi, ekonomideki diğer ürün ve hizmetlere yönelik talebe göre bazı
farklıklılar ve değişik özellikler gösterir. Bu özellikleri aşağıdaki şekilde sıralamak
mümkündür. 95
• Turizm talebi bağımsız bir talep niteliğindedir, yani kişiden kişiye
değişmektedir. İnsanları seyahate yönelten çeşitli nedenler vardır ve farklı
hedeflere dönük olabilir. Bu nedenler, insanların atmosfer değiştirme isteği
ve kişisel tatmin beklentilerinin bir sonucudur. Ürünler ve bazı hizmetlere
olan talep çoğunlukla belirli ve potansiyel tüketici kitlelerinin ortak
ihtiyaçlarından doğduğu halde; turizm talebinin bireysel ve psikolojik bir
karakteri vardır. Turizm ürünlerine duyulan ihtiyaç, bireylerin sayısız
psikolojik ihtiyaçlarından doğar. 96
• Turizm talebi çok yönlü özellikler taşır. Fiziksel bir rahatlığa, psikolojik bir
mutluluğa ulaşmak için seyahat edenler ile ticari amaçlarla seyahat eden
95 OLALI, H. ve TİMUR, A. (b), Turizm Ekonomisi, Ofis Ticaret Matbaacılık, İzmir, 1988, s. 196,
İÇÖZ, O. (a), a. g. e. , s. 105
96 ERDOĞAN, H., a. g. e. , s. 332
39

insanlar arasında bir farklılık olduğu gibi gidilen bölgedeki gereksinimlerin
baskısı ve yoğunluğuna göre de farklılıklar bulunmaktadır.
• Turizm talebi, kişisel harcanabilir gelirlerin kullanılması ile ilgilidir. Diğer
bir deyişle turizm talebi kişilerin gelirlerine bağlıdır ve talebin gelir
esnekliği yüksektir.
• Turizm talebinin ikame olanaklarının fazla olması, turistik tüketimdeki
tercihlere ekonomik, sosyal, politik ve mali nitelikteki faktörlerin etki
etmesi turizm talebine esnek bir özellik kazandırır.
• Turistik tüketime konu olan ürün ve hizmetler arasında da bir rekabet
vardır. Bu rekabet kişisel tercihlere bağlı olarak ortaya çıkar. Konaklama
süresi ile uzaklık arasında bir rekabet olduğu gibi, turistik tüketim
harcamalarından konaklamaya ayrılan pay ile ulaştırmaya ayrılan pay
arasında bir rekabet söz konusudur.
• Turizm talebi ekonomideki lüks ve kültürel nitelikteki diğer mal ve
hizmetlerle de rekabet halindedir.
• Turistik hareketler belirli mevsimlerde yoğunlaştığı için turizm talebi
dönemsel özellik taşımaktadır.
1.5.2. Turizm Talebi Tahminlerinin Önemi
Turizm, ilgili ülkelerde yarattığı ekonomik sonuçlar açısından
değerlendirildiğinde, bütün ülkelerin bu sonuçlardan yararlanmak için büyük çaba
gösterdiği bir faaliyet olarak kabul edilmektedir. Günümüzde turizm endüstrisi, tüm
dünyada 4 trilyon 745,7 milyar dolar gelir ile global GSMH’nın % 10.6’sını,
doğrudan ve dolaylı olmak üzere 221.568.000 iş imkanı ile dünyadaki toplam
istihdamın % 8.3’ünü sağlamaktadır. 97 Ancak turizmin bu özelliklerinden
97 World Travel &Tourism Council, The 2005 Travel & Tourism Economic Research, 2005, s. 8
40

faydalanabilmek için gerek kamu, gerekse özel sektörde geleceğe yönelik kararların
alınmasında turizm talep tahminlerinin önemi oldukça büyüktür. 98
Turizm endüstrisi de ülkedeki diğer ekonomik sektörler gibi güvenilir verilere
dayanan doğru tahminlere ihtiyaç duymaktadır. Turizm sektöründe turistik ürün ve
hizmetlere yönelik talebin etken faktörlere karşı duyarlı olması ve turistik
hizmetlerin dayanıksızlık özelliği, bu sektördeki talep tahminlerini ve talep üzerinde
etkili olan faktörlerin analizini daha önemli duruma getirmektedir. 99 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. Turizm talebi, turizm sektöründe
faaliyet gösteren bütün işletme ve kurumların karlılığını belirleyen temel unsurlardan
biri olduğundan dolayı gelecekteki talebin tahminlenmesi, planlama çalışmalarının
en önemli bölümünü oluşturmaktadır. Güvenilir ve doğru talep tahminleri başta
konaklama, ulaştırma ve seyahat işletmeleri olmak üzere turizm sektörü ile ilgili
bütün faaliyetlerin etkili bir şekilde planlanabilmesi için gereklidir. 100
İşletmeler açısından da talep tahminleri önem taşımaktadır. Otel işletmeleri
zaman içinde değişen bir taleple karşı karşıyadır. Konaklama talebi ekonomik, sosyal
ve siyasi etkenlere bağlı olarak değişkenlik göstermektedir. 101 Bir otel yöneticisinin
en başta gelen görevlerinden birisi de işletme amaçlarına ulaşmak için, kaynakların
nasıl kullanılması gerektiğini planlamaktır. Planlama fonksiyonu, işletmenin amaç ve
hedeflerine ulaşmasına hizmet etmektedir. İyi bir planlama yapabilmek için
gelecekteki koşulların ne zaman, hangi yönde, nasıl ve ne kadar değişeceğini tahmin
etmek ve bu değişikliklere uygun faaliyetleri tasarlamak zorunluluğu vardır. 102
Turistik bölgeler için ve ülke genelinde turizm yatırımlarının ve faaliyetlerin
planlanması yaşamsal önem taşımaktadır. Talep tahminleri bir taraftan bu talebe
98
UYSAL, M., “Turizmde Talep Projeksiyon Modelleri ve Özellikleri”, Turizm Yıllığı, T.C. Turizm
Bankası Yayını, 1985, s.35
99
İÇÖZ, O.(a), a. g. e. , s. 339
100
SONG, H. ve WITT, S. F. (a), Tourism Demand Modelling and Forecasting:Modern
Econometric Approach, Elsevier Science - Pergamon, 2000, s. 9
101
EMEKSİZ, M., Beş Yıldızlı Otel İşletmeleri için Getiri Yönetimi Uygulama Modeli, Anadolu
Üniversitesi Yayın No: 1337, Eskişehir, 2002, s. 20
41

uyumlu alt ve üst yapı yatırımlarının yönlendirilmesi, diğer taraftan da turistik
bölgelerin taşıma kapasitelerinin belirlenmesi, bu sayede de toplumsal ve çevresel
açıdan turizmin olumsuz etkilerinin giderilmesi için gereklidir. 103 Turistik
yatırımların itici gücünü talep oluşturmakta ve yatırımlar talebin sayısal ve niteliksel
özelliklerinin bir fonksiyonu olarak ortaya çıkmaktadır. Çok büyük yatırımların
yapıldığı turizm projelerinin başarısı, gelecekteki talebin ve pazar yapısının
tahminine, dolayısıyla arz kaynaklarının talebe uygun hale getirilmesine bağlıdır. 104
Bu sayede, ekonomide esnek gelişme planlarının hazırlanması mümkün olmakta ve
yatırımcıların tahsis edeceği kaynakların israfının önlenmesi gibi konularda gerekli
önlemler zamanında alınabilmektedir. Ayrıca bir ülkeye veya turizm bölgesine
yönelik gelecekteki turist sayısını ve potansiyel turistleri gerçekçi bir şekilde tahmin
etmek uzun vadeli turizm gelişme planlarının yapılmasında önemli bir rol oynar.
Özetle;
• Turizm ağır rekabet koşulları altında çalışan bir sektör olduğu için piyasanın
geleceğini iyi tahminlemek gerekmektedir.
• Yatırımların kalitesi, miktarı ve yeri konusunda doğru kararlar alabilmek için
turistik talebin tahminlenmesi zorunludur.
• Bir turizm gelişme planının hazırlanabilmesi, özellikle turistik talep
tahminlerine dayanacağı açık bir gerçektir.
• Yönetim organlarının bütçe yapma ve karar alma imkanı, güvenilir verilere
dayanan tahminler sayesinde kolaylaşmaktadır. 105
1.5.3. Turizm Talebini Etkileyen Faktörler
İnsanların ulusal ve uluslararası turizm hareketlerine katılmalarını, bir ülkeye
veya turistik bölgeye seyahat eden turist sayısını, turistlerin gittikleri bölgelerdeki
konaklama sürelerini ve yapacakları harcamaların miktarlarını etkileyen çok sayıda
102
İÇÖZ, O., VAR, T. ve İLHAN, İ., a. g. e. , s. 59
103
İÇÖZ, O. (b), “Turizm Sektöründe Plan ve Planlamanın Önemi”, Turizm Yıllığı, Türkiye
Kalkınma Bankası Yayını, 1993, s. 99
104
CHU, F. L., “Forecasting Tourism Demand: A Cubic Polynomial Approach”, Tourism
Management, Volume 25, Issue 2, 2004, s. 209
42

faktör bulunmaktadır ve bu faktörler her ülke, bölge ve hatta aynı ülkenin değişik
yöreleri için bile farklı özellikler gösterebilmektedir. Belli bir turizm ürününe yönelik
talebin oluşması, turizm talebinin bireysel ve psikolojik karakteristiğinden dolayı,
neredeyse sayısız faktöre bağlı olmakla beraber 106 , turizm talebini etkileyen belli
başlı faktörler; “ekonomik”, “toplumsal ve demografik” ve “diğer faktörler” olarak
sınıflandırılabilir.
1.5.3.1. Ekonomik Faktörler
Ekonomik faktörler, her sektörde olduğu gibi turizm sektöründe de önemli bir
konuma sahiptirler. Yeterli satın alma gücüne sahip olmayan bir kimsenin turizm
amacıyla başka bir ülkeye seyahat etmesini beklememek gerekir. Turizm,
tüketicilerin (turistlerin) üründen yararlanmak için üretim yerine fiziksel olarak
gitmek zorunda oldukları bir üründür. Çoğunlukla turistlerin gitmek istedikleri
bölgedeki ekonomik değişkenler turistlerin geldiği bölgelerdekinden oldukça
farklıdır. Bu durum özellikle uluslararası turizm ve uzun süreli seyahatlerde daha
belirgindir. 107 Potansiyel bir turist, seyahat kararı verirken;
• Kendi gelir düzeyini,
• Gideceği bölgedeki fiyat düzeyini,
• Döviz kurlarını,
• Ulaştırma maliyetini dikkate almak durumundadır.
Turizm talebini etkileyen ekonomik faktörlerden en önemlileri sırasıyla,
sunulan turistik ürün ve hizmetlerin fiyatları, turizm talebinde bulunan kişilerin
harcanabilir gelir düzeyleri, ülkeler arasındaki döviz kurları, seyahat edilen yere olan
uzaklık ile reklam ve tanıtım amacıyla yapılan harcamalar olarak sayılabilir.
105
OLALI, H. (b), Turizm Politikası ve Planlaması, İstanbul Üniversitesi, İşletme Fakültesi Yayın
No: 228, İstanbul, 1990, s. 103
106
UYSAL, M., The Economic Geography of The Tourist Industry, Eds. IOANNİDES, D. ve
DEBBAGE, K., Routledge, NY, 1998 içinde “The Determinants of Tourism Demand”, s. 86
107
BULL, A., The Economics of Travel and Tourism, 2nd. Edition, Addison Wesley Longman
Australia Pty Ltd., Melbourne, 1995, s. 28
43

1.5.3.1.1. Turistik Ürün ve Hizmet Fiyatları
Bir mal veya hizmetin talebini öncelikle etkileyen faktörün o mal yada
hizmetin kendi fiyatı olması ekonomide “talep kanunu”nun 108 doğal sonucudur. Bu
nedenle turizm talebini turistik ürün ve hizmetlerin bir fonksiyonu olarak görmek
mümkündür;
Dt = f( Pt )
Bu eşitlikte Dt turizm talebini, Pt ise turistik ürün ve hizmetlerin fiyatını
göstermektedir. 109 Fiyatın fonksiyonu olarak talebi ifade eden bu fonksiyon; talebi
etkileyen tüm koşullar sabitken (cateris paribus), fiyatla talep edilen miktar
arasındaki ilişkiyi vermektedir. 110 Diğer ürün ve hizmetlerde olduğu gibi genel talep
kanununa uygun olarak turizm ürününün fiyatı ile o ürüne yönelik talep arasındaki
ilişki ters yönlüdür. Fiyat değişmelerinin talep üzerindeki etkileri esneklik katsayıları
ile ölçülmektedir. Turizm talebinin fiyat esneklik katsayısı, fiyattaki küçük bir
değişme karşısında talep edilen miktardaki yüzde değişmenin, fiyattaki yüzde
değişmeye oranına eşittir. Talebin fiyat esnekliği şöyle ifade edilmektedir: 111
Talep edilen turistik ürün miktarındaki % değişme
Ep = --------------------------------------------------------------
Turistik ürünün fiyatındaki % değişme
Bu ifade şu şekilde formüle edilebilir:
Burada;
Ep =
dM
M
dF
F
dM F dM F
= * = *
M dF dF M
108 Bir ürün veya hizmetin fiyatı düştüğünde o üründen daha fazla satın alınmak istenmesi yada fiyatı
yükselen üründen satın almak istenen miktarın azalması istisnalar dışında her ürün ve hizmet için
her mekanda geçerlidir. Tüketicilerin davranışlarının ifadesi olan bu yönsemeye Talep Kanunu
denilmektedir. Bu konuda ayrıntılı bilgi için bkz. DİNLER, Z. a. g. e. , s. 49-52
109 İÇÖZ, O. (a), a. g. e. , s. 119
110 DİNLER, Z., a. g. e. , s. 47
111 BULL, A., a. g. e. , s. 38
44

dM: Miktardaki değişmeyi (M1 – M2)
dF: Fiyattaki değişmeyi (F1 –F2)
F: Değişimden önceki fiyatı
M: Değişimden önceki miktarı göstermektedir. 112
Esneklik katsayısı, mutlak değer olarak sıfır ile sonsuz arasında her değerde
olabilir. Talep edilen miktardaki yüzde değişmenin fiyattaki yüzde değişmeye eşit
olması halini ifade eden “birim esneklik”, talebin fiyat esnekliğini sınıflandırmada
ölçüt olarak kullanılır. Esneklik katsayısı sıfır (0) ise fiyat değişmeleri karşısında
talebin duyarlılık derecesi yoktur ve tamamen esnek olmayan (inelastik) bir talep söz
konusudur. Esneklik katsayısı (>01>∞) ise, yani talep edilen miktardaki
yüzde değişme fiyattaki yüzde değişmeden daha büyükse, talep yapısı esnektir.
Esneklik katsayısının (∞) olması durumunda ise talep tamamen esnektir ve fiyattaki
en küçük bir artış talebin sıfıra düşmesiyle sonuçlanır. 113 Şekil 1.1’de görüldüğü gibi
aynı miktardaki fiyat değişimi (F1 – F2), göreli esnek talep eğrisinde (a) talep edilen
miktarda daha fazla değişime yol açmaktadır.
Fiyat (F)
F2
F 1
∆F
m2
∆Ma
m1
(a) Esnek Talep Eğrisi
Fiyat (F)
Miktar (M)
Şekil 1.1. Esnek ve Esnek Olmayan Talep Eğrileri
112 YAĞCI, Ö. a. g. e. , s. 32
113 TRIBE, J., The Economics of Leisure and Tourism: Environments, Markets and Impacts,
Butterworth Heinemann, Oxford, 1997, s. 52
F2
F 1
∆F
m 2
∆Mb
m1
(b) İnelastik Talep Eğrisi
Miktar (M)
45

Turizm talebinin fiyat esnekliği konusunda yapılan araştırmalar, talebin fiyat
karşısındaki esnekliğinin oldukça yüksek katsayılar verdiğini ve genellikle birim
esneklikten fazla olduğunu göstermektedir. Fiyat esneklikleri herhangi bir turizm
ürünü için sürekli olarak sabit değildir, kısa ve uzun dönemde ve fiyat değişikliğinin
büyüklüğüne göre farklılıklar ortaya çıkabilmektedir. Genelde ürünler arasında
rekabet ve ikame derecesi arttıkça fiyat esnekliği de artar. Çünkü fiyata duyarlı olan
turistler daha düşük fiyatlı alternatifleri araştırırlar. Örneğin, tatil amaçlı turizmin
fiyat esnekliği, dost-akraba ziyareti ve iş amaçlı seyahatlere göre daha yüksek
bulunmuştur. Tatil turizminde alternatif bölge seçimi, özellikle fiyat değişikliklerine
karşı oldukça duyarlıdır. 114
Turizm talebi analizlerinde diğer bir önemli esneklik de, tamamlayıcı ve
ikame ürün ve hizmetlerin fiyatları ile turizm talebi arasındaki ilişkileri açıklayan
talebin çapraz fiyat esnekliğidir. Talebin çapraz fiyat esnekliği; bir ürün veya
hizmetin fiyatındaki % değişme karşısında diğer bir ürün yada hizmetin talep edilen
miktarında meydana gelen % değişmeyi göstermektedir. Yani,
veya kısaca,
A ürününün talep edilen miktarındaki % değişme
Eab = ----------------------------------------------------------------------------------------------------
B ürününün fiyatındaki % değişme
Ea =
∆Qa
Qa
∆Pb
Pb
olarak ifade edilebilir.
Burada ∆Qa, A ürününün talep edilen miktarındaki değişme, ∆Pb, B
ürününün fiyatındaki değişme, Qa, A ürününün ilk miktarı ve Pb ise B ürününün ilk
fiyatıdır. 115
Tamamlayıcı çapraz fiyat esnekliği, genellikle negatif değerler alır ve bu
durum turizmde oldukça sık rastlanan bir durumdur. 116 Örneğin, ulaşım hizmetleri
114 BULL, A., a. g. e. , s. 38
46

konaklama hizmetlerinin tamamlayıcısıdır. Ulaşım hizmetleri fiyatında meydana
gelebilecek bir artış herhangi bir turizm bölgesine yapılacak turun talep miktarında
ve dolayısıyla konaklama talebinde düşüşe neden olabilir. Turizmde ikame olanakları
söz konusu olduğu zaman ise, ikame (alternatif) turistik ürün ve hizmetlerin
fiyatlarında meydana gelen düşüş, turizm talebinde de düşmeye yol açacaktır.
Örneğin, birbirine yakın turistik potansiyele sahip iki bölgeden birisinin
fiyatlarındaki düşme, fiyatların sabit kaldığı diğer bölgeye olan talepte düşmeye
neden olacaktır. 117
1.5.3.1.2. Harcanabilir Gelir
Turizm talebini ikinci olarak etkileyen diğer önemli bir faktör de potansiyel
turistlerin harcanabilir gelir düzeyleridir. Hiç kuşkusuz, bireylerin turizm talebinden
söz edebilmek için öncelikle beslenme, barınma ve giyim gibi temel ihtiyaçlarının
ötesinde dinlenme, eğlenme ve seyahat amacıyla harcayabilecekleri yeterli
gelirlerinin olması gerekir. Turistler de, diğer tüketiciler gibi para ya da gelir düzeyi
konusunda duyarlıdırlar ve turistik ürün ve hizmetlere yönelik talep kişilerin
harcanabilir gelirlerindeki değişmelerden önemli ölçüde etkilenmektedir. 118
Gelirdeki değişme ile talep edilen miktar arasındaki ilişkiyi, başka bir deyişle
gelir değişmeleri karşısında talep edilen miktarın değiştirilmesi şeklinde gösterilen
tepkinin şiddeti, talebin gelir esnekliği ile ölçülmektedir. Talebin gelir esnekliği,
gelirdeki küçük bir değişme karşısında talep edilen miktardaki yüzde değişmenin
tüketicilerin gelirlerindeki yüzde değişmeye olan oranına eşittir. 119
Talep edilen turistik ürün miktarındaki % değişme
Ey = --------------------------------------------------------------
Turistlerin gelirlerindeki % değişme
115 YAYLALI, M., Mikroiktisat, Beta Basım Yayım A.Ş., İstanbul, 2004, s. 154
116 BULL, A., a. g. e. , s. 40
117 İÇÖZ, O. (a), a. g. e. , s. 124
118 BAHAR, O., KOZAK, M., a. g. e. , s. 30
47

Bu ifade matematiksel olarak aşağıdaki eşitlikle hesaplanabilir;
Burada;
Ey =
dM
M
dG
G
dM: Talep edilen miktardaki değişmeyi,
dG: Gelirdeki değişmeyi,
M: Talep edilen miktarı,
G: Geliri göstermektedir. 120
dM G dM G
= * = *
M dG dG M
Gelir esnekliği de, öteki esneklikler gibi bir katsayı ile ifade edilir. Talebin
gelir esnekliği katsayısının bire eşit (Ey = 1) olması haline “birim esnek” denir.
Katsayı birden büyükse (Ey > 1), talebin gelir esnekliği yumuşak, birden küçükse (Ey

eğer talep bir turist gönderen ülke yada bölgeden kaynaklanıyorsa, beklenenden çok
daha yüksek olabilmektedir. 122
Turizm talebinin değişik tipleri de farklı gelir esnekliği seviyelerine sahiptir.
Örneğin lüks nitelikli seyahatlerde talebin gelir esnekliği nispeten yüksektir. Akraba
ve arkadaş ziyaretleri (VFR) için talebin gelir esnekliği ise, tatil talebine göre daha
düşüktür. Bunun nedeni ise, iş amaçlı seyahatlerde olduğu gibi bu tür seyahatlerin bir
seçimden çok zorunluluğa bağlı olarak gerçekleşmesidir.
Gelir
Y1
Y0
0
Şekil 1.2. Farklı Turizm Türleri için Talebin Gelir Esnekliği
Kaynak: Bull, 1995: 37
Farklı turizm türleri için talebin gelir esnekliğinin verildiği şekil 1.2.’de
görüldüğü gibi; eğer turist gönderen bölgedeki gelir düzeyi Y0’dan, Y1’e yükselirse,
turizm harcamaları da turizm talebinin türüne bağlı olarak Q0’dan değişik
düzeylerdeki Q1 ve Q5’e kadar farklılık göstermektedir. Bununla birlikte belirli bir
pazar dilimi yada turist gönderen bölgeden diğer bir turistik bölgeye yönelik talepteki
122 BULL, A., a. g. e. , s. 36
İş Turizmi Kongre
Turizmi
VFR
Q 0 Q 1 Q 2 Q 3 Q 4 Q 5
Tatil Turizmi
49
İkincil
Tatiller
Turizm Talebi
(Harcama Olarak)

değişiklikleri kapsamlı araştırmalara dayanmaksızın ortaya koymak oldukça
zordur. 123
Gelir, turizm talebi için önemli bir faktör olmasına rağmen, gelirin tek başına
bağımsız bir etken olduğunu söylemek zordur. Çünkü bu faktör diğer sosyo-
ekonomik değişkenlerle de ilgilidir. Genel olarak yüksek gelirin; eğitim, belirli
meslekler ve belirli yaş grupları ile ilgili olduğu kabul edilir. 124 Öte yandan, bir
ülkedeki milli gelir ve gelirin dağılımı da turizm talebi üzerinde etkili olan ekonomik
faktörlerden biridir. Kuşkusuz milli gelir düzeyinin yüksek olması, turizm talebinin
kitlesel bir hale dönüşmesini sağlamaz, milli gelirden, onu oluşturan sosyal sınıfların
aldıkları payların da dengeli olması gerekir. Bir ülkenin ulusal gelirinin toplumdaki
fertler ya da gruplar arasında adil dağılması durumunda, o ülkedeki tüketim eğilimi
artacağından turizme katılacak kişilerin sayısının da buna paralel olarak artması
beklenir. Ancak, bazı iktisatçılar bu etkinin genellikle gelişmiş ülkelerde ortaya
çıkacağını, az gelişmiş ülkelerde ise gelir dağılımının turistik talebi artırıcı yönde
etki yaratmasına şüphe ile bakmak gerektiğini ifade etmektedirler. Bu iktisatçılara
göre, az gelişmiş ülkelerde gelir daha adil dağılsa bile, sanayileşme gayretleri içinde
bulunan ve ödemeler bilançosu açık veren bu ülkelerde döviz giderlerinin asgariye
indirilmesi zorunluluğu nedeniyle, dış pasif turizm talebine sınırlamalar
getirilebilmektedir. 125
1.5.3.1.3. Döviz Kurları
Uluslararası turizmde, döviz kurlarında meydana gelen değişmeler
karşılaştırmalı fiyat farklılıkları bakımından bir değerlendirme ölçütü olarak kabul
edilmektedir. Turistlerin çok azı gidecekleri ülkedeki fiyatları tümüyle bilmektedir.
Bu nedenle o ülkedeki fiyat seviyelerini kendi ülke paralarının döviz kuru üzerinden
veya tahminlere dayalı olarak hesaplamaktadırlar. 126
123
BULL, A., a. g. e. , s. 36
124
İÇÖZ, O. (a), a. g. e. , s. 133
125
TUTAR, E. ve TUTAR, F., a. g. e. , s. 36
126
MARTIN, A. C. ve WITT, S. F., “Turizm Talebi Tahmin Modelleri: Turistlerin Zorunlu
Giderlerini Belirlemek İçin Uygun Bir Değişken Seçimi”, Turizmde Seçme Makaleler, TUGEV
Yayını, No: 6, Mart 1989, İstanbul, s. 27
50

Bir ülkenin para biriminin değerindeki artış, o ülkeyi turistler için pahalı
duruma getireceği için, ülkeye yönelik dış turizm talebinde bir azalmaya neden
olabilmektedir. Diğer taraftan turist gönderen ülkenin para biriminin diğer ülkelere
göre değer kaybetmesi, ülke dışına seyahat edecek turistler üzerinde gelir azaltıcı etki
yapacağı için dış pasif turizmde azalmaya, diğer taraftan ülke içi turizm talebinde de
artışa yol açabilmektedir. 127 Örneğin, 1980’lerde, İngiliz Sterlini bir dolar
seviyelerine düşmüş ve bu ülkeye yönelik seyahat yoğunluğu belirgin bir şekilde
artış göstermiştir. Daha sonrasında sterlinin yaklaşık iki dolara yükselmesi,
İngiltere’ye olan dış turizm talebinde düşüşe, İngiltere’den Amerika’ya olan
seyahatlerde ise artışa neden olmuştur. 128 Benzer şekilde, literatürde yer alan reel
kurlarda düşme sonrasında ülkeye gelen yabancı turist/ziyaretçi sayısının artacağı ve
ülkeden yurt dışına çıkan ziyaretçi/turist sayısının azalacağı varsayımı, Türkiye’de
Şubat 2001 devalüasyonu (reel kurlarda düşme) sonrası rakamlarıyla teyit
edilmiştir. 129 Bununla birlikte, bazı ülkelerdeki yüksek enflasyon, döviz kurlarının
meydana getirdiği bu fiyat avantajını ortadan kaldırabilmektedir. 130
1.5.3.1.4. Uzaklık
Uzaklık (mesafe), turizm talebi açısından caydırıcı etki yapan önemli bir
faktördür. Bir ülkenin diğer ülkelere olan uzaklığı ve ulaştırma olanakları, aynı
zamanda ekonomik bir unsur olarak turizm talebini etkilemektedir. Uzaklığın talep
üzerinde iki türlü etkisi vardır. İlk olarak, seyahat mesafesi arttıkça seyahatin süresi
de artacağı için bu mesafe ek bir külfet getirecek ve tatil süresinin kısalmasına neden
olacaktır. Ayrıca uzun mesafelere yapılan seyahatler daha yorucu olmaktadır. Her ne
kadar ulaştırma endüstrisindeki teknolojik gelişmeler mesafe kavramının etkisini
127 BULL, A., a. g. e. , s. 41
128 LUNDBERG, D., KRISHNAMOORTHY, M. ve STAVENGA, M. H., Tourism Economics, John
Wiley & Sons Inc., New York, 1995, s. 40
129 BAŞARAN, A., “Devalüasyonların Yurt Dışından Turizm Talebine Tesiri Çerçevesinde, Şubat
2001 Devalüasyonunun Rusya Federasyonundan Türkiye’ye Yönelik Turizm Talebine Etkisi”, 1.
Balıkesir Ulusal Turizm Kongresi, 15-16 Nisan 2004, s. 90
130 MARTIN, A.C. ve WITT, S.F., a. g. e., s. 28
51

azaltmış olsa da, gidilecek bölgeye olan uzaklık önemli bir caydırıcı faktör olarak
turizm talebini etkilemektedir. 131
Uzaklığın talep üzerindeki ikinci etkisi ise, mesafe artışıyla birlikte
maliyetlerin de artmasıdır. Fiziki uzaklık arttıkça ulaşım ve seyahat maliyeti,
dolayısıyla turistik tüketimin toplam maliyeti, göreli olarak uzakta bulunan ülkenin
turistik ürününün fiyatı yükselmektedir. Turist gönderen ülkelere yakın olan turizm
bölgeleri bu konuda önemli bir avantaja sahiptirler. Bu nedenle uzaklık ile turizm
talebi arasında ters yönlü bir ilişki olduğunu söylemek mümkündür. Örneğin, petrol
bunalımının baş gösterdiği 1974 ve onu izleyen birkaç yılda havayolu ulaşımı
fiyatları hızla artmış ve uluslararası turizm hareketlerinde büyük düşüş yaşanmıştır. 132
Seyahat uzaklığı ve ulaşımla ilgili bir başka nokta da, mesafenin artmasıyla birlikte
uluslararası turizm pazarında yer alan ve birbirinin ikamesi olabilecek ülke sayısının
da artış göstermesidir. Bu nedenle turist gönderen ülkelere uzak olan ülke ve
bölgeler, daha keskin bir rekabet ortamında çalışmak zorunda kalmaktadırlar. 133
1.5.3.1.5. Tanıtım ve Reklam
Tanıtım ve reklam faaliyetleri, bir ülkenin uluslararası turizm pazarındaki
talebini etkileyen faktörlerden birisi olarak kabul edilmektedir. Tanıtım ve reklam
çalışmalarının turizm talebi üzerindeki en önemli etkisi, bir turistik bölge ya da ülke
hakkında tüketiciye bilgi vermesidir. Turistik ürünlerin üretildikleri yerde tüketilmesi
gerekliliği, bu ürünlerin önceden denenmesini önlemekte ve turistlerin satın alma
kararlarını olumsuz etkilemektedir. Bu olumsuzluğu gidermenin bir yolu, turistik
ürünlerle ilgili bilgilerin tüketicilere yeterli bir şekilde ve zamanında
ulaştırılmasıdır. 134 Turizmde tanıtım kavramını; bir ülkenin turistik değerlerini
oluşturan doğa, kültür, tarih, deniz, güneş gibi temel nitelikleri, her türlü tutundurma
tekniklerini kullanarak potansiyel turistleri bilgilendirme ve ülke hakkında olumlu
imaj yaratma faaliyetlerinin tümü şeklinde tanımlamak mümkündür. Tanıtma ve
reklam faaliyetlerinin mevcut turizm talebini artırmaya yönelik etkisi olduğu gibi,
131 BAHAR, O. ve KOZAK, M., a. g. e. , s. 31
132 ERDOĞAN, H., a.g.e, s. 340
133 YARCAN, Ş., a.g.e, s. 22
52

potansiyel turizm talebini de harekete geçirme gücü vardır. Bu amaçla, uluslararası
turizmde söz sahibi olan ülkeler bir yandan sahip oldukları imajı koruyabilmek, diğer
yandan da pazardan daha fazla pay alabilmek için reklam ve tanıtım etkinliklerine
daha fazla kaynak ayırmaktadırlar. 135
Turizm talebi konusunda yapılan bir çok araştırmada reklam ve tanıtım
harcamalarının, turizm talebini etkileyen bir faktör olarak önemi vurgulanmakta
ancak bu faktörü talep fonksiyonları arasında açıklayıcı değişken olarak almayı
ihmal edilmektedir. Reklam ve tanıtım ile ilgili değişkenlerin turizm talebi
modellerine alınmasında en büyük problem, uygun verilerin toplanmasındaki
zorluklardan kaynaklanmaktadır. 136 Toplam reklam ve tanıtım harcamalarının ülke
ayrımı olmadan, hangi ülkeden gelen turistler üzerinde ne ölçüde etkili olduğunun
tespit edilmesi oldukça zordur. 137 Ayrıca, yapılan tanıtım ve reklamların turizm talebi
üzerindeki etkisi zaman içinde dağılım gösterebilir. Belli bir dönemde yapılan
reklamlar, yalnız o dönemdeki talebi değil sonraki dönemlerin talebini de
etkileyebilmektedir. 138
1.5.3.2. Toplumsal ve Demografik Faktörler
Bir toplumu oluşturan bireyler yaş, cinsiyet, kültürel, ailesel vb. yönlerden
farklılık gösterdiklerinden, buna bağlı olarak farklı düzeyde seyahat eğilimine
sahiptirler. Bu eğilimlerin belirlenmesi ve araştırılması, turizm talebini etkileyen
ekonomik faktörlerle birlikte bir bütün olarak, ileriye yönelik daha etkili plan ve
politikaların ortaya konulabilmesine yardımcı olacaktır. Turizm talebi üzerinde etkili
olan toplumsal ve demografik faktörler; yaş, cinsiyet ve aile yapısı; eğitim düzeyi;
meslek; boş (serbest) zaman; moda, zevk ve alışkanlıklar şeklinde sıralanabilir.
134
RIZAOĞLU, B., Turizm Pazarlaması, Detay Yayıncılık, Ankara, 2004, s. 127
135
KOZAK, N., vd., a. g. e. , s. 74
136
WITT, S. F. ve MARTIN, C., “Uluslararası Turizm Talebi Modelleri – Pazarlama Değişkenleri de
Katılarak Hazırlanan Modeller”, Turizmde Seçme Makaleler, TUGEV Yayını, No:6, 1989, s. 2
137
SONG, H. ve WITT, S. (b), “Forecasting International Tourist Flows to Macau”, Tourism
Management,Volume: 27, No: 2, 2006, s. 216,
138
WITT, S. F. ve MARTIN, C., a. g. e., s. 12
53

1.5.3.2.1. Yaş, Cinsiyet ve Aile Yapısı
Turizm faaliyetleri içerisinde farklı yaş gruplarındaki insanların davranışları
çeşitlilik göstermektedir. Genç ve ileri yaş gruplarında boş zamanın oransal olarak
daha fazla olduğu görülmektedir. Ancak boş zaman süresi, tek başına yaş faktörünün
turistik davranışa olan etkisini açıklamakta yetersiz kalmaktadır. 139 Yapılan
araştırmalar, en fazla seyahate çıkan insanların 25-65 arasında bulunanlar olduğunu
göstermektedir. Bu yaş gruplarının toplum içerisinde çoğunlukla bulunduğu
ülkelerde turizme olan talep doğal olarak daha fazla olmaktadır. Bu yaş aralığının en
büyük özelliği, insanların çalışmaları ve bu nedenle en fazla gelirin bu dönemde elde
edilmesidir. Bu dönemde insanlar kişisel gelirlerinden seyahat ve tatil için daha fazla
pay ayırma olanağına sahiptirler. Yaşlı insanlar ise en az seyahate çıkanlar grubunu
oluşturmaktadır. Bu yaş grubundaki insanların sağlık sorunları ve çalışma hayatından
uzaklaşmaya bağlı olarak gelir düzeylerinin düşük olması bu konuda en önemli
etkenlerdir. 140 İleri yaşlarda tercih edilen aktiviteler arasında akraba ve dost
ziyaretleri, yakın çevre gezileri, balık tutma, golf gibi nispeten pasif aktiviteler
bulunmaktadır.
Bekar, evli ya da çocuklu olup olmama, çocuk sayısı, aile ve akraba
bağlılıkları gibi aile yapısı ile ilgili özellikler de bireylerin turizm hareketlerine
katılmasını, seyahat ve konaklama süresini etkilemektedir. Bekar ve genç evli çiftler
daha sık seyahat etme imkanına sahip olabilirken, çocuklu aileler seyahate katılmada
önemli sorunlarla karşılaşmaktadırlar. Gidilen bölgede bebek ve küçük çocuklar için
herhangi bir aktivite ya da hizmet sunulmaması durumunda aileler problem
yaşamakta ve dolayısıyla seyahati düşünmemektedirler. Bununla birlikte, son
yıllarda ulaşım araçları, tur operatörleri ve konaklama işletmeleri çocuk sahibi
ailelere yönelik olarak; çocuklar için ücretsiz veya düşük fiyatlı turlar, ücretsiz bakım
servisleri ve animasyon aktiviteleri gibi imkan ve hizmetleri sunmaya
başlamışlardır. 141 Bu durum, son yıllarda özellikle çocuklu, ve zamanı kısıtlı ailelerin
paket turlara olan ilgisini artırmıştır.
139 BULUÇ, G., “Sosyo-Ekonomik Değişkenler ve Turizm Talebine Etkileri”, Dokuz Eylül
Üniversitesi, İ.İ.B.F. Dergisi, Cilt: 12, Sayı: 2, 1997, s. 102
140 İÇÖZ, O.(a), a. g. e. , s. 141
141 KOZAK, N. vd., a. g. e. , s. 71
54

Seyahate çıkanların cinsiyetleri konusunda yapılan araştırmalar, erkeklerin
kadınlara oranla daha fazla seyahate çıkmakta olduğunu göstermekle birlikte, her
geçen yıl seyahate çıkan kadınların sayısının artmakta olduğu da bilinmektedir.
Ancak tercih edilen turistik etkinlik türleri açısından kadınlarla erkekler arasında bazı
farklılıklar ortaya çıkmaktadır. Örneğin kadınlar çoğunlukla kültürel aktivitelerle
ilgili iken erkekler sportif faaliyetleri daha fazla tercih etmektedirler. 142
1.5.3.2.2. Eğitim Düzeyi
Eğitim düzeyi yüksek kesimin düşük kesime oranla daha fazla seyahat etme
alışkanlığına sahip olduğu söylenmektedir. İyi eğitim almış olan insanların daha fazla
değişik yerleri ve kültürleri tanıma ve öğrenme eğilimleri vardır. Eğitim ve kültür
düzeyi yükseldikçe insanların kültürel ve turistik faaliyetlere katılma isteklerinin de
arttığı söylenebilir. Örneğin, konsere, tiyatroya gitme, sanatsal etkinlikleri takip
etmek, tenis yada golf oynamak, kayak yapmak gibi faaliyetlere katılanların genelde
eğitim ve kültür düzeyi yüksek insanlar olduğu bilinmektedir. 143 Merak, bu kesimin
önemli bir özelliğidir. Diğer kültürler, dünyanın farklı bölgelerinde yaşayan
insanların yaşam tarzları, yerleşim yerleri hakkında bilgi edinmek; onları yakından
görerek tanımak ve yaşam biçimlerini anlamak isteyen insanlar meraklarını gidermek
için seyahate çıkabilmektedirler. Ancak, eğitim düzeyinin turizm talebi üzerindeki
etkisinin tespit edilebilmesi için ülkelerin hane halkının eğitim seviyesi ile seyahate
çıkma ve turistik tüketim arasındaki ilişkilerin incelenmesi gerekmektedir. 144
1.5.3.2.3. Meslek
Kişinin mesleği, mesleki statüsü ve dolayısıyla üyesi olduğu sosyal sınıfın da
turizm talebini etkilediği görülmektedir. Mesleğin seyahate çıkma ve turizm
hareketleri üzerindeki etkisi iki şekilde olabilir. Birincisi, kişinin gelir düzeyi
çoğunlukla mesleği ile bağlantılıdır. Yüksek gelir sağlayan meslek gruplarına
142
BULUÇ, G., a. g. e. , s. 103 ve İÇÖZ, O.(a), a. g. e. , s. 126
143
BAHAR, O. ve KOZAK, M., a. g. e. , s. 40
144
KARAMAN, S., “Turizm Talebinde Etkili Olan Demografik Faktörler”, Turizmde Seçme
Makaleler, TUGEV Yayını, No: 48, Mart, 1999, İstanbul, s. 52
55

mensup insanlar, genellikle daha fazla turizm hareketlerine katılırken, daha alt gelir
grubunda yer alan kişilerin durumu değişiklik göstermektedir. İkinci olarak;
mesleğinin özelliği nedeniyle kişiler sık seyahat etme durumunda kalabilmektedir.
Serbest meslek sahipleri, iş adamları, üst düzey kamu ve özel sektör yöneticileri,
akademisyenler, turizm sektöründe çalışan bazı kişiler ve sporcular bunlara örnek
verilebilir. 145 Çeşitli meslek gruplarına mensup insanların seyahate çıkma düzeyleri
ve eğilimleri konusunda yapılan çok sayıda araştırma bulunmaktadır. Örneğin,
İspanya’da iç turizm hareketlerine katılan turistler arasında yapılan bir araştırmada
serbest meslek mensupları, memurlar ve işadamlarının, ev kadınları ve küçük esnafa
göre daha fazla tatile çıktıkları saptanmıştır. Fransa’da yapılan bir başka araştırmada
ise; yüksek statüdeki meslek gruplarında ve serbest meslek sahipleri arasında seyahat
yoğunluğunun % 86 olduğu ve bu gruptaki insanların daha uzun tatil yaptıkları
ortaya konmuştur. 146
1.5.3.2.4. Boş (Serbest) Zaman
Kişilerin turizm etkinliklerine katılmalarında etkili olan unsurlardan birisi de,
boş zamandır. Boş zamanın sınırlarını çoğunlukla, bir ülkedeki çalışma ve yıllık izin
düzenlemeleri ile okul tatil dönemleri belirlemektedir. Bazı araştırmacılara göre
turizm talebi açısından belki de en ön sıralarda yer alması gereken faktörlerden birisi
de insanların tatile çıkmak için yeterli zamana sahip olmalarıdır. Çünkü fiyatlar
istenilen ölçüde düşük ya da elverişli ve kişilerin gelirleri de istenilen ölçüde yüksek
olsa da insanlar tatile ayıracak boş zamana sahip olmadıkları sürece turizm talebinin
gerçekleşmesi mümkün değildir. Sosyal refaha ulaşmış ülkelerde turizm talebinin
yüksek olmasının nedenlerinden biri de yüksek gelirle desteklenen ücretli izinlerin ve
dolayısıyla dinlenceye ayrılan zamanın varlığıdır. 147
Turizm talebinin gelir esnekliğinin hesaplanmasında olduğu gibi, resmi
tatillerin süresi, yıllık izinler ve iş seyahatleri konusundaki zamansal sınırlamalardaki
değişikliklerin turizm talebi üzerindeki etkilerini de analiz etmek mümkündür. Genel
145 BAHAR, O. ve KOZAK, M., a. g. e. , s. 39
146 KOZAK, N. vd., a. g. e. , s. 70
56

olarak bu düzenlemeler bir taraftan endüstrileşme ve otomasyon, diğer taraftan da
kamuoyu baskısı sonucunda dünya genelinde artış göstermektedir. Bununla birlikte
gelir dağılımında olduğu gibi bu konuda da farklı ülkelerde farklı uygulamaların
olduğu görülmektedir. Örneğin, Almanya ve İtalya gibi bazı Avrupa ülkelerinde,
resmi tatiller ile birlikte çalışanların ortalama izin süresi yılda yirmi sekiz günü
aşmaktadır, Japonya’da ise yıllık ücretli izin süresi yalnızca on gündür. 148
1.5.3.2.5. Moda, Zevk ve Alışkanlıklar
Fiyat faktörünün talep üzerindeki negatif etkilerini azaltan en önemli
faktörler; moda eğilimleri, alışkanlıklar ve zevk amaçlı tüketimdir. Söz konusu
faktörler, diğer mal ve hizmetlerde olduğu gibi turistik ürün ve hizmetlere yönelik
talebi de etkilemektedir. Özellikle belirli turizm faaliyetleri içinde bu etkiler
ağırlığını daha fazla hissettirmektedir. Golf turizmi, lüks kruvaziyer turlar, yüksek
fiyatlı restoranlar ve kumar turizmi gibi turizm türleri çoğunlukla moda ve gösteriş
eğilimlerinin etkisi altındadır. Bu faktörlerin en belirgin özelliği, talep üzerinde fiyat
ve gelir gibi ekonomik nitelikteki faktörlerin etkilerini bir dereceye kadar azaltmaları
ve bilhassa fiyat-miktar ilişkileri konusunda istisnalar oluşturmalarıdır. 149
Ekonomide moda ve gösteriş isteği ile tüketim eğilimi konusundaki ilk teori,
ABD’li sosyal bilimci ve ekonomist Thorstein Veblen tarafından geliştirilmiştir.
Gösterişe yönelik tüketim, ürün ve hizmetlerin kazanılacak statü için satın
alınmasıdır. Veblen etkisi altında yapılan analizlerde bir ürünün fiyatının
belirlenmesinde klasik arz ve talep eğrilerinin belirleyici olmasından çok, prestij ve
ayrıcalığa dayalı yeni bir talep eğrisi ürünün fiyatı konusunda etkilidir. Çok pahalı
bir “Rolls Royce” otomobilin, pahalı bir elmas bir yüzüğün satın alınması, gösteriş
eğilimli tüketimin birer örnekleridir. Bu tür bir tüketimde ürünün maliyeti ve
dolayısıyla fiyatı ne kadar yüksek ise, bu ürüne karşı talep de bir noktaya kadar o
ölçüde yüksek olmaktadır. Aynı eğilim turizm sektöründe de değişik şekillerde
147 YARCAN, Ş., Turizm Endüstrisinin Yapısı, Boğaziçi Üniversitesi Yyayın No: 550, İstanbul,
1995, s. 30
148 BULL, A., a. g. e. , s. 43
149 İÇÖZ, O.(a), a. g. e. , s. 149
57

görülmektedir. “Tahiti’de bir hafta geçirdim” veya “her yıl kayak yapmaya
Kolorado’ya gideriz” diyebilmek, gösteriş amaçlı tüketime örnek olarak verilebilir. 150
Kaynak: Lundberg vd., 1995: 35
Şekil 1.3. Veblen Talep Eğrisi
Floyd Harmson, Veblen talep eğrisini Şekil 1.3’deki gibi tasarlamıştır. Bu
grafikte P fiyatı, Q ise bu fiyattan talep edilen miktarı göstermektedir. Fiyat P2 ye
yükseldiğinde D1 talep eğrisi göz önüne alınacak olursa talep miktarının Q2 ye
düşmesi gerekir. Oysa ki Veblen etkisi altında bu durum talep artışı şeklinde
gerçekleşir ve talep D2 eğrisine uygun Q3 miktarına yükselir. Çünkü artan fiyatlar
tüketicilerin bu ürüne özel bir önem vermesine ve ürüne daha fazla yönelmesine yol
açmıştır. Diğer bir deyişle talep miktarı D1 talep eğrisi üzerinde sola doğru kaymak
yerine, tamamen yukarı (sağa) doğru kayarak yeni bir D2 talep eğrisi durumuna
gelmiştir. Fiyatın P2 den P3 düzeyine yükselmesi talep eğrisinin daha da sağa
kaymasına neden olur. Bu artış nedeni ile talep edilen miktar beklendiği gibi Q4
düzeyine düşmeyip Veblen etkisi altında Q5’e yükselir. 151
150 LUNDBERG, D., vd. , a.g.e, s. 34
151 LUNDBERG, D. vd., a. g. e. , s. 34
58

Benzer şekilde alışkanlıklar da talep üzerinde çoğu zaman pozitif yönlü bir
etkiye sahiptir. Örneğin, her yıl tatile çıkmayı ya da sürekli olarak belirli turistik
bölgelere seyahat etmeyi alışkanlık haline getiren insanlar açısından bakıldığında, bir
takım fiyat ya da gelir değişmeleri bu kesimin turizm talebi üzerinde fazla bir
değişiklik yaratmaz. Bunun yanında, daha önce yeterli talep bulamayan bazı turizm
türleri veya turistik bölgeler moda ve zevklerdeki değişime bağlı olarak artan bir
taleple karşılaşabilirler.
1.5.4. Turizm Talebini Sınırlayan Faktörler
Önceki bölümlerde açıklanan faktörler, turizm talebini duruma göre olumlu
veya olumsuz yönde etkileyebilen ve çoğunluğu bireysel özellikler taşıyan
faktörlerdir. Sayılan bu faktörlerin yanı sıra aşağıda açıklanan; ülkelerin turistlere
uygulamakta oldukları kontroller, turizm sektörüne ve turistlere yönelik vergiler ile
uluslararası siyasi sorunlar turizm talebini sınırlayan etkenler olarak kabul
edilmektedir.
1.5.4.1. Devlet Kontrolleri
Turizm talebi üzerinde olumsuz yönde etkili olan en önemli sınırlayıcı
faktörlerden birisi ülkeler tarafından turistlere ya da vatandaşlara uygulanan
kontrollerdir. Bazı ülkeler kendi vatandaşlarının turizm hareketlerini
kısıtlayabilmektedir. Diğer ülkelerde ise, bir grup ülke vatandaşları için pasaport ve
vize konularında uygulana kontroller olabilmektedir. Bunlara turizm ile ilgili vergiler
ve fiyat kontrolü veya düzenlemeleri şeklinde görülen turizm sektöründeki devlet
müdahalelerini de eklemek mümkündür. Bu doğrudan kontroller, turist gönderen
ülkelerden turizm bölgelerine olan hareketleri önemli ölçüde etkilemekte ve
kısıtlamaktadır. 152 Türkiye’de bir dönem uygulanan yurtdışına çıkış sayısı ve ayrıca
yurtdışına çıkarılan döviz miktarı kısıtlamaları bu tip kontollere örnek olarak
verilebilir.
152 BULL, A., a. g. e. , s. 34
59

Talebi sınırlayan bu uygulamaların yanı sıra, bazı ülkelerde devlet tarafından
getirilen turizm sektörüne yönelik yasal düzenlemeler de talep üzerinde olumlu ya da
olumsuz etkilerde bulunmaktadır. Bu düzenlemeler iki kısımda toplanabilir; 153
1. Turist gönderen ülke tarafından empoze edilen düzenlemeler;
• Ülke halkı üzerinde döviz kısıtlamaları,
• Seyahat belgeleri konusunda bürokratik engeller,
• Geri dönen vatandaşlar için gümrük kısıtlamaları,
• Yurt dışına çıkışları kısıtlayan yasalar,
• Denizaşırı seyahatlerin kısıtlanması,
2. Turist kabul eden ülke tarafından empoze edilen düzenlemeler;
• Ziyaretçiler için döviz kısıtlamaları,
• Giriş vizesi, kimlik dokümanları, kalış süresi kısıtlamaları,
• Otomobil ehliyeti, sigortası gibi belgelerin kabulünde zorluklar,
• Yabancılara mülk edinme konusunda yasaklamalar,
• Yabancı turistler için konulan birtakım vergiler, (hava alanı vergisi gibi)
• Vatandaşların döviz taşıma kısıtlamaları,
• Bireysel seyahat eden turistlere ait araçların sınır girişi konusunda ortaya
çıkan bürokratik işlemler,
• Yabancıların mülk edinmelerindeki kısıtlamalardır.
153 İÇÖZ, O.(a), a. g. e. , s. 153
60

1.5.4.2. Seyahatlerin Vergilendirilmesi
Turistlere ve turizm işletmelerine yönelik uygulanmakta olan vergiler, gerek
nitelik gerekse nicelik bakımından ülke bazında çok çeşitli ve birbirinden farklı olup,
bir ülkenin sektörel rekabet gücünü, müteşebbislerin yatırım kararını ve ülkeye
yönelik turizm talebini etkileyen başlıca unsurlardan birisini oluşturmaktadır. Çoğu
ülkede, turistler daha uçak bileti alırken, otel faturasını öderken ve ülkeye giriş –
çıkış yaparken vergilendirilmektedir. Dünya Turizm Örgütü, turizm sektörüne
yönelik 40 değişik verginin uygulandığını, bunlardan 28’inin direkt olarak turist
tarafından geri kalanının ise turizm işletmeleri tarafından ödendiğini
belirtmektedir. 154 Bu vergilerin yüksek yada düşük olması hem tatil hem de iş amaçlı
seyahatleri önemli ölçüde etkilemektedir. Örneğin, iş amaçlı seyahatler şirket
giderlerinin bir bölümünü oluşturmaktadır. Bu giderlerin vergi dışı bırakıldığı devlet
politikası, turizm ürününün cari fiyatını ve bu nedenle talebi değiştirebilmektedir.
Bazı ülkelerde hükümetler vergi indirimlerini oldukça seçici olarak
uygulamaktadırlar. Örnek olarak, ABD’de seyahat harcamalarına ilişkin vergi
indirimleri kişi başına ve gün başına harcamalar ile sınırlanmakta ve uluslararası
seyahatlere göre ülke içi seyahatlerde daha fazla vergi indirimi sağlanmaktadır. 155
1.5.4.3. Uluslararası Siyasi Ortam
Turizm talebi üzerinde önemli ölçüde etkili olan faktörlerden birisi de, gerek
bir ülkedeki gerekse dünyanın herhangi bir bölgesinde meydana gelen siyasi
sorunlardır. Turizm talebi özellikle uluslararası gerginliklere ve savaş, terör, anarşi
gibi olaylara karşı oldukça duyarlıdır. Bu tip olayların yada gerginliklerin olduğu
bölgelerde turizm talebi ani ve hızlı gerilemeler göstermektedir. Bunun en açık
örneği, Lübnan’da yaşanmıştır. İç savaş öncesinde tam bir turizm cenneti olan bu
ülke, savaşın başlaması ile birlikte eski turistik niteliğini tamamen yitirmiştir. Bir
ülkenin uluslararası turizm hareketlerinde söz sahibi olabilmesi için bölgede siyasal
huzurun ve barışın sağlanmış olması temel koşuldur. Ortadoğu’daki politik
154 World Tourism Organisation Business Council, Tourism Taxation: Striking A Fair Deal,.
Madrid, 1998, s. 30
155 BULL, A., a. g. e. , s. 41-42
61

gelişmeler, politik faktörlerin turizm talebi üzerindeki önemini çok iyi
yansıtmaktadır. Hatırlanacağı gibi, 1991 yılında ortaya çıkan “Körfez Krizi”, bölge
ülkelerinden Türkiye, Mısır ve Ürdün turizmini olumsuz etkilemiştir. 156
Bunlara ek olarak, terör olgusu da turizm sektörünü ve uluslararası turizm
talebini olumsuz yönde etkilemektedir. Günümüzde uluslararası bir boyut kazanan
terörizm, turizm endüstrisini hedef alarak endüstriye ciddi zararlar vermektedir.
Turistik bölgelerin hedef alındığı terör eylemlerinin ardından turistik tüketicilerin
ortaya koydukları ilk tepkinin, bölgeye yapılması düşünülen seyahat kararının
ertelenmesi ya da iptal edilmesi olduğu görülmektedir. Nitekim Sönmez ve Graefe
tarafından 1995 yılında ABD’de turistler arasında yapılan araştırmada; turistik
tüketicilerin ziyaret edecekleri bölgelerdeki güvenlik riskini, seyahat kararı verme
aşamasında ön planda tuttukları ortaya çıkmıştır. Araştırma sonuçlarında tehlikeli ve
güvensiz olarak algılanan turistik destinasyonların, savaş, terör ve politik
istikrarsızlık gibi konularda uluslararası medyanın gündeminde yer aldıkları
belirtilmektedir. 157 Örnek olarak; Mısır’da 1997 yılında turistlere yönelik olarak
gerçekleştirilen terör eylemi, bu ülkeye yönelik dış turizm talebinde % 13,8’lik bir
azalmaya neden olmuştur. Benzer şekilde 11 Eylül 2001 tarihinde ABD’de Dünya
Ticaret Merkezi ve Savunma Bakanlığı Binası Pentagon’a yönelik gerçekleştirilen
saldırılar sonucunda, insanlarda ortaya çıkan uçağa binme korkusu nedeniyle
havayolu ulaşımına olan talep hızlı azalmış ve Dünya Seyahat ve Turizm
Konseyi’nin (WTTC) tahminlerine göre uluslararası turizm talebinde % 7,4 düşüş
gerçekleşmiştir. 158 Terör eylemlerinden olumsuz etkilenen ülkelerden birisi de
Türkiye’dir. Bu konuda, Emsen ve Değer tarafından yapılan bir çalışmanın
sonuçlarına göre, 1984 – 2001 yıllarını kapsayan dönemde Türkiye’de terör
olgusunun, gelen turist sayısı ve turizm gelirleri üzerinde olumsuz etkide bulunduğu
tespit edilmiştir. 159
156 İÇÖZ, O.(a), a. g. e., s. 157
157 SÖNMEZ, S. F. ve GRAEFE, A. R., “Influence of Terrorism Risk on Foreign Tourism Decisions”,
Annals of Tourism Research, Vol: 25, No: 1, 1998, s. 131
158 YILMAZ, B. S. ve YILMAZ, D., “Terörizm ve Terörizmin Hedefi Olarak Turizm”, Elektronik
Sosyal Bilimler Dergisi, Cilt: 4, Sayı: 13, 2005, s. 48
159 EMSEN, Ö. S. ve DEĞER, K., “Turizm Üzerine Terörizmin Etkileri: 1984-2001 Türkiye
Deneyimi”, Akdeniz Üniversitesi, İ.İ.B.F. Dergisi, Sayı: 7, 2004
62

İKİNCİ BÖLÜM
TAHMİN YÖNTEMLERİ
Tahmin yöntemleri, literatürde farklı şekillerde sınıflandırılmış olmakla
beraber temel olarak iki grupta ele alınmaktadır: 160
1. Nitel (Kalitatif) Yöntemler,
2. Nicel (Kantitatif) Yöntemler.
Genel olarak nicel yaklaşımların girdisi, çeşitli zaman aralıklarında toplanmış
olan verilerdir. Verilerin iyi bir şekilde analiz edilmesi, bu yöntemlerin temelini
oluşturmaktadır. Buna karşılık nitel yaklaşımlar, konu ile ilgili uzmanların bilgi ve
deneyimlerinden yararlanarak bu alandaki gelişmelerin ne yönde olacağı, ne tür
ihtiyaçlar ortaya çıkaracağı gibi konularda yoğunlaşmaktadır. 161 Uygulamada ileriye
yönelik tahminler için nicel ve nitel yöntemlerin birlikte kullanıldığı da
görülmektedir. Nicel yöntemlerle elde edilen tahmin sonuçları tarafsız ve deneyimli
uzmanların görüşleri ışığında değerlendirilerek kullanılabilmektedir. 162
2.1. Nitel Tahmin Yöntemleri
Nitel tahmin yöntemleri, çalışma alanı konusunda uzman kabul edilen
bireylerin yargılarına ve deneyimlerine dayanmaktadırlar. Bu yöntemlerde bilgi
işleme süreci uzmanlar veya jüri üyeleri tarafından gerçekleştirilir. Beklentileri ifade
etmeleri ve dolayısıyla sübjektif yargılara bağlı olmaları nedeniyle, nicel yöntemler
gibi tekrarlanamayan, sonuçları tartışmaya açık yöntemler olsalar da, nitel
160 FRETCHLING, D. C. (a), Practical Tourism Forecasting, Oxford: Butterworth-Heinemann,
1996, s. 7, ÖZMUCUR, S., Geleceği Tahmin Yöntemleri, İstanbul Sanayi Odası, Araştırma
Dairesi, Yayın No: 1990/2, İstanbul, 1990, s. 15, ORHUNBİLGE, N. (a), Zaman Serileri Analizi
Tahmin ve Fiyat Endeksleri, İstanbul Üniversitesi İşletme Fakültesi Yayınları, No: 277, İstanbul,
1999, s. 2
161 ARCHER, B., “Forecasting Demand: Quantitative and Intuitive Techniques”, International
Journal of Tourism Management, Vol: 5, March 1980, s. 177
63

yöntemlerin kullanılmalarını zorunlu kılan bir takım nedenler bulunmaktadır. Bu
nedenler şu şekilde sıralanabilir: 163
• Geçmişe yönelik yeterli verinin bulunmaması,
• Mevcut zaman serilerinin güvenilir ya da geçerli olmaması,
• Makro çevrenin çok hızlı bir şekilde değişmesi,
• Çevresel etkiler açısından büyük karışıklıklar beklenmesi,
• Uzun dönem tahminlerine ihtiyaç duyulması.
Yukarıda bahsedilen durumlarda kullanılabilmeleri nitel tahmin
yöntemlerinin en önemli avantajlarıdır. Bunlara ilave olarak; genellikle ucuz olmaları
ve üstün istatistiksel yeteneklere ihtiyaç duymamaları da nitel yöntemlerin avantajları
arasında sayılabilir. Ancak, seçilen jüri üyelerinin deneyimlerinin yetersizliği, kendi
düşüncelerini tahminlere yansıtma olasılığı, geleceğe ilişkin beklentiler nedeniyle
tahminlerin etkilenmesi, nitel yöntemlerin dezavantajlarıdır. 164
Uygulamada en çok kullanılan nitel tahmin yöntemleri; “Delphi Yöntemi”,
“Senaryo Analizi”, Uzman Panelleri”, “İdare Heyeti Görüşleri”, “Nominal Grup
Yöntemi”, “Beklentisel (Anticipatory) Analiz”, “Morfolojik Araştırmalar”, “Satış
Ekibi Tahminleri” olarak sayılabilir.
2.1.1. Delphi Yöntemi
Delphi yöntemi, özel bir araştırma türü olup, belirlenen uzun ve kısa vadeli
olayların meydana gelmesine ilişkin tahminler yapmada kullanılmaktadır. Bu teknik,
1960'larda “Rand Corporation” firmasında çalışan “Olaf Helmer” ve “Norman
Dalkey” adındaki iki araştırmacı tarafından geliştirilmiştir. Uzmanların bir araya
gelerek oluşturduğu bağımsız gurup çalışması şeklinde yürütülen yöntem, söz
162
ORHUNBİLGE, N. (a), a. g. e., s. 3
163
FRETCHLING, D. C. (b), Forecasting Tourism Demand: Methods and Strategies, Butterworth-
Heinemann, 2001, s. 211
164
FRETCHLING, D. C. (b), a. g. e., s. 212
64

konusu alan ile ilgili düzenlenmiş sorular ve uzmanlardan alınan görüşler ve
düşünceler aracılığıyla yürütülmektedir. 165 Delphi yönteminin mantığı; birden fazla
anket formunun gönderilmesi sonucunda “geri besleme” yoluyla grup üyelerinin
ortak bir görüş birliğine varmalarını sağlamaktır. Bu nedenle bu yöntem, uzmanların
yüz yüze gelmeden grup kararı almalarını sağlamaktadır. Yöntemin işleyişi aşağıdaki
gibidir; 166
1. Yöntemin uygulanmasına katılacak uzman üyelerin belirlenmesi ve
katılımın sağlanması,
2. Anket formunda yer alacak soruların tartışmaya sunulması,
3. İlk anket formunun panel üyelerine gönderilmesi,
4. Sonuçların değerlendirilmesi,
5. Uzmanların konu hakkındaki görüşlerini tekrar gözden geçirmeleri için
ikinci anket formunun gönderilmesi,
6. Yanıtların değerlendirilmesi,
7. Elde edilen sonuçların özet olarak panel üyelerine gönderilmesi,
8. Sorunun çözüme ulaşması.
Delphi tekniğinin bazı üstünlüklerinden ve sınırlılıklarından söz edilmektedir.
Yöntemin üstünlükleri aşağıdaki gibi sıralanabilir: 167
• Delphi yönteminde bireylerin yüz yüze gelmelerinden doğabilecek
problemler en az düzeye indirilmektedir. Bu şekilde bireyler düşüncelerini,
diğerlerinin baskılarına maruz kalmadan serbestçe ifade edebilmektedirler.
Katılımcılar ardışık anketler yoluyla sağlanan geri bildirimler neticesinde
165 UYSAL, M. ve CROMPTON J. L., “Turizm Talebi Tahminlerinde Kullanılan Yaklaşımlara Genel
Bir Bakış”, Turizmde Seçme Makaleler, TUGEV Yayını, No: 4, Ocak, 1989, s. 4
166 SEATON, A.V. ve BENNET, M. M., Marketing Tourism Products – Concepts, Issues, Cases,
International Thomson Business Pres, 1996, s. 108
167 ŞAHİN, A. E., “Eğitim Araştırmalarında Delphi Tekniği ve Kullanımı”, Hacettepe Üniversitesi
Eğitim Fakültesi Dergisi, No: 20, 2001, s. 219
65

farklı düşüncelerden haberdar edilmekte, kendi düşüncelerini yeniden
gözden geçirme fırsatı yakalamaktadırlar.
• Delphi tekniği, katılımcıların zaman, mekân, uzaklık, maliyet gibi faktörler
nedeniyle sıklıkla toplanma olasılığının olmadığı durumlarda önemli
avantajlar sağlamaktadır.
• Delphi tekniği, farklı bilgi, beceri ve deneyimler yardımıyla bireylerin
farklı bakış açılarıyla sorunların ilgili parçalarına katkıda bulunmalarına
fırsat tanımaktadır.
Yöntemin eksik yönleri ise; başarının uzmanların seçimine bağlı olması,
sonuçların geri bildiriminin zaman alması, sürecin uzamasıyla birlikte katılımın
azalması olarak özetlenebilir. 168
2.1.2. Senaryo Analizi
Senaryo analizinin 1950’li yıllarda yöneylem araştırmasında kullanılan
yöntemlerden kaynaklandığı söylense de, tahmin çalışmalarında bir araç olarak
kullanılması 1967’den sonra “Herman Kahn”’ın çalışmalarıyla popülerlik
kazanmıştır. Kahn senaryoyu; “dikkatleri nedensel süreçlere ve kararlara odaklamak
amacıyla yaratılan varsayımlara dayanan olaylar dizisi” olarak tanımlamıştır.
Senaryolar geleneksel tahmin yöntemlerinden farklı olarak alternatif gelecekler
ortaya koymakta ve aynı zamanda, ekonometrik modellerin dışarıda bıraktığı
konuları ve kalitatif perspektifleri de içine almaktadır. 169 Senaryolar, geleceğe ait
muhtemel gelişmeleri dikkate alarak daha net bir görüş açısı sağlayabildiği gibi
nelerin olabileceğini veya olanların ne olduğunu anlamaya yardımcı olmaktadır. 170
Senaryo analizi yaklaşımlarından en çok bilineni ve kullanılanı "sezgisel
mantık" yaklaşımıdır. Bu yaklaşımın yararı esnek ve iç tutarlılığa sahip senaryolar
168 İÇÖZ, O.(a), a. g. e., s. 342
169 TÜBİTAK (b), Teknoloji Öngörüsü ve Ülke Örnekleri Çalışma Raporu, Bilim ve Teknoloji
Politikaları Dairesi Başkanlığı, Ankara, 2001, s. 14-15
170 ERKUT, H. ve AKGÜÇ, Ö., vd., Stratejik Yönetim ve Senaryo Tekniği, İrfan Yayınevi,
İstanbul, 1997, s. 210
66

üretilebilmesidir. Herhangi bir matematiksel algoritma içermediğinden dikkatli bir
çalışma ile özel gereksinimlere ve politik çevreye uyum sağlayacak senaryolar
üretilebilmektedir. Senaryo analizi için kullanılan diğer bir yaklaşım “eğilim-etki”
(trend-impact) analizidir. Bu yöntem geleneksel tahmin teknikleri ile nitel faktörler
arasında bir köprü kurmaktadır. Çok basit olarak, genel eğilimi etkileyebilecek özel
olayların dikkate alınması için istatistik bir tahmin modeli ve bir dizi olası yargı ile
uğraşılması gerektiği söylenebilir. Üçüncü yaklaşım ise “çapraz-etki” (cross-impact)
analizidir ve senaryo geliştirilmesinde dikkate alınan olayların birbirine
bağımlılıklarını da analize dahil eder. Süreçte, olayların diğer olayları etkileme
olasılıkları belirlenir. Bu açıdan nedensel olaylarla ilgili uzman bilgisinin olasılık
dağılımlarına dönüştürülmesi gereklidir. 171
Bir organizasyonun hangi durumlarda senaryo analizinden yararlanacağının
ortaya konulması zor olsa da, belirsizliğin yüksek olması; geçmişte maliyeti yüksek
çok sayıda sürpriz yaşanmış olması; algılanan ve yaratılan yeni fırsatların
yetersizliği, stratejik planlamanın çok rutin bir hal alması nedeniyle stratejik
düşünmenin kalitesinin düşüklüğü; içinde bulunulan endüstrinin önemli değişimler
içinde bulunması ya da böyle bir olasılığın varlığı; farklılığın yok edilmeden
organizasyon bünyesinde ortak bir dil oluşturma isteği; her bir farklı yarara sahip
kuvvetli farklılıklar ve görüşlerin varlığı ve rakiplerin senaryo analizi kullanıyor
olması şeklinde sıralanabilecek nedenler, organizasyonların belli başlı senaryo
analizi kullanım gerekçeleri olarak ifade edilebilir. 172
Senaryo analizinin üstünlüklerine karşın zayıf yönleri de bulunmaktadır.
Öncelikle, senaryoların yaratım süreci halâ tam olarak anlaşılmış değildir. Senaryo
teknikleri, uzmanlardan bilgi alınmasını gerekli kılsa da bu bilginin alınma şekli ve
doğasındaki kısıtlar üzerinde çok durulmamıştır. Senaryo analizİ yaklaşımlarının
diğer temel zayıflığı ise içerdikleri statik yapıdır. Bireysel senaryolar birbirlerinden
ayrık bir şekilde analizde yer alırlar. Oysa senaryo analizinde önemli olan, söz
171 ŞAHİN, Ş. Ö., ÜLENGİN, F. ve ÜLENGİN, B., “Senaryo Analizi İçin Dinamik Bir Yaklaşım
Önerisi”, İTÜ Dergisi/b, Sosyal Bilimler, Cilt: 1, Sayı: 1, Aralık, 2002, s. 36
172 SCHOEMAKER, P. J. H., “When and How to Use Scenerio Planning: A Heuristic Approach with
Illustration”, Journal of Forecasting, No: 10, 1991’den aktaran ŞAHİN, Ş.Ö. vd., a. g. e., s. 36
67

konusu senaryoların karar vericiye olası durumlar içinde kendi içinde bulunduğu
durumdan bir başkasına geçişinde belirli bir yol önerebilmektir. 173
2.1.3. Uzman Panelleri
Bu yöntem, oluşturulan bir panel aracılığı ile üyelerin çoğunluğu tarafından
onaylanan bir sonuca ulaşmayı hedeflemektedir. Bu yöntemin delphi modelinden
farkı, panel üyelerinin bir araya gelerek konu hakkındaki görüş ve düşüncelerini kar-
şılıklı belirtme ve fikir alış verişinde bulunma olanağına sahip olmalarıdır. Bu
nedenle bu tekniğin en temel özelliği, gurup üyelerinin etkileşimi esasına
dayanmasıdır. Çalışmalar, seminer ve komite toplantıları halinde yürütülür.
Çalışmalarda mümkün olduğu kadar fazla fikir alış verişine yer verilir. Çalışma
süreci panel üyelerinin söz konusu projeksiyonlarda görüş birliği sağlaması ile sona
ermektedir. 174 Niteliksel tahmin çalışmalarında belli bir konuda görüş bildirmeleri
için uzman panellerinden yararlanılması çok kullanılan yöntemlerden birisidir.
Tahmin çalışmalarında değişik ve birbirleriyle çatışan fikirlerin tartışılması hayati
önem taşıdığından, panellerin oluşturulmasında çeşitli görüşlerin temsil edilmesi
sağlanmalıdır. Aksi durumda, oluşturulan komitelerin aynı ya da benzer görüşlü
kişilerden müteşekkil olması ve dolayısıyla ortaya çıkan fikirlerin de daha dar bir
çerçeve içine sıkışması tehlikesi mevcuttur. Diğer taraftan yaygın danışma
yönteminin kullanılmadığı panele dayalı tahmin çalışmalarında, alınan sonuçların
itibar görmesi için çalışmaya katılanların tarafsızlığının kanıtlanmasına ihtiyaç
vardır. 175
2.2. Nicel Tahmin Yöntemleri
Nicel yöntemler, geçmiş dönem gözlem değerlerine dayalı analizler yapan
tahmin modellerini kapsamaktadır. Kullanılan yöntemler; incelenen değişkende
gözlenen gelişmelerin analiz edilmesi, veri serisinin dinamik özelliklerinin
belirlenmesi ve bu özelliklerin matematiksel bir fonksiyon ile ifade edilerek geleceğe
173 ŞAHİN, Ş. Ö., vd., a. g. e., s. 37
174 İÇÖZ, O.(a), a. g. e., s. 344
175 TÜBİTAK (b), a. g. e., s. 21
68

ilişkin öngörülerin türetilmesini içermektedir. Nicel tahmin yöntemleri genel olarak
iki gruba ayrılmaktadır; 176
1. İlişkiye Dayalı (Nedensel) Yöntemler,
2. Zaman Serisi Yöntemleri.
2.2.1. İlişkiye Dayalı Yöntemler
Nedensel ya da diğer adıyla ilişkiye dayalı tahmin yöntemlerinde; tahmini
değeri bulunacak değişkenin çeşitli faktörlerden etkilendiği düşünülerek, bağımlı
değişkenin etkilendiği yada bağlı olabileceği diğer değişkenlerin tespitine
çalışılmakta ve bu etkilerin formüle edilmesi amaçlanmaktadır. 177 Nedensel
yöntemlerde bir değişkenin gelecekteki değerlerini tahmin etmekten çok iki yada
daha fazla değişken arasındaki ilişkinin açıklanmasına çalışılmaktadır. Bağımlı
değişken ile ilişkisi olan değişken veya değişkenlerin belirlenmesi ve bu ilişkiye
uygun bir matematiksel ifadenin bulunması, nedensel yöntemlerin temel amacını
oluşturmaktadır. 178 İlişkiye dayalı tahmin yöntemlerinin temelini regresyon analizi
oluşturmaktadır
Regresyon analizi, herhangi bir değişkenin (bağımlı değişken) bir veya birden
fazla değişkenle (bağımsız veya açıklayıcı değişken) arasındaki ilişkinin matematik
bir fonksiyon şeklinde yazılmasıdır. Bu fonksiyona regresyon denklemi adı
verilmektedir. Regresyon denklemi yardımıyla bağımlı değişken ile bağımsız
değişken(ler) arasındaki ilişkiyi kuran parametrelerin değerleri tahmin edilir. Bağımlı
değişkeni etkileyen bağımsız değişkenlerin tahmin edilmesi, bu değişken üzerinde
geliştirilecek plan ve politikalarda hangi değişkenlerin önem kazandığının
belirlenmesine yardımcı olmaktadır. Bu teknik sayesinde, hangi faktörlerde nasıl bir
değişiklik yapılarak ilgilenilen değişkende artış veya azalış meydana geleceği ortaya
çıkarılabilmektedir.
176 DE LURGIO, S. A., Forecasting Principles and Applications, Irwin / Mc Graw - Hill, Boston,
1998, s. 21, BAŞOĞLU, U. ve PARASIZ, İ., İktisadi Verilerin Analizi ve Temel Öngörü
Yöntemleri, Ekin Kitabevi, Bursa, 2003, s. 23, ORHUNBİLGE, N. (a), a. g. e., s. 2
177 ORHUNBİLGE, N. (a), a. g. e., s. 3
178 FRETCHLING, D. C. (a), a. g. e., s. 17
69

Regresyon analizi, kullanılan bağımsız değişken sayısına göre;
• Basit regresyon analizi (Tek bağımsız değişken),
• Çoklu Regresyon analizi ( Birden çok bağımsız değişken),
fonksiyon tipine göre;
• Doğrusal regresyon analizi,
• Doğrusal olmayan (eğrisel) regresyon analizi,
Verilerin kaynağına göre;
• Anakütle verileriyle regresyon analizi,
• Örnek verileriyle regresyon analizi
olmak üzere üç grupta toplanabilir. 179
Anakütle için basit doğrusal regresyon denklemi aşağıdaki gibi yazılır;
Y = β 0 + β1x
+ ε
(2.1)
Bu denklemde β 0 , x = 0 olduğunda regresyon doğrusunun dikey ekseni
kestiği noktayı göstermektedir. β 1 doğrusal fonksiyonun eğimi, yani bağımsız
değişken x’deki bir birimlik değişmenin bağımlı değişken Y’de (Y cinsinden) ne
kadarlık bir değişme meydana getirdiğini gösteren regresyon katsayısıdır. ε ise,
rassal (tesadüfi) hata terimidir. Artık veya kalıntı (residual) adı da verilmektedir.
ε = Y − Yˆ
’dir. Yˆ , tahmini bağımlı değişkenin değerini göstermektedir. Gerçek hayat
uygulamalarında β 0 ve β 1 değerleri bilinmiyorsa, anakütleden örnekler alınarak
bunların tahmincileri olan 0 b ve b 1 kullanılarak (2.1) nolu denklem,
y b + b x + e
= 0 1
(2.2)
179 ORHUNBİLGE, N. (b), Uygulamalı Regresyon ve Korelasyon Analizi, İstanbul Üniversitesi
İşletme Fakültesi Yayını, No: 281, İstanbul, 2002, s. 5 ve 12
70

olarak yazılır.
Anakütle ve örnek için çoklu doğrusal regresyon denklemleri ise sırasıyla,
β + β + β + + β + ε
x x
Y ...
= n n x
0 1 1 2 2
(2.3)
y n n
= b0
+ b1x
1 + b2
x2
+ .... + b x + e
(2.4)
şeklinde ifade edilmektedir. 180
Turizm talebi tahminleri konusunda yapılan çalışmalar incelendiğinde
ilişkisel yöntemlerin ileriye yönelik tahminler yapmaktan ziyade, belli başlı
değişkenlerin bağımlı değişken üzerindeki etkilerinin araştırılması amacıyla
kullanıldığı görülmektedir. Genellikle kabul edilen yaklaşım, turistik talebi
etkileyebileceği düşünülen çeşitli bağımsız değişkenler içeren bir model geliştirmek
ve gerçek veriler yardımıyla modelin parametrelerini tahmin etmektir. Söz konusu
çalışmaların üzerinde durduğu ortak nokta, hangi değişkendeki ne kadarlık bir
değişmenin talebi ne kadar değiştireceği (talep elastikiyeti) konusunda tahminlerde
bulunmaktır. Aylık zaman serisi verileri ile ileriye yönelik tahmin çalışmalarında
ilişkisel yöntemlerin sınırlılıkları da dikkate alınarak, bu çalışmada Antalya iline
yönelik dış turizm talebi tahminleri için zaman serisi yöntemleri ve yapay sinir
ağlarının kullanımı tercih edildiğinden, ilişkisel yöntemler ile ilgili daha detaylı
açıklamalara yer verilmemiştir. Turizm talebinin ileriye yönelik tahminlerinde
ilişkisel yöntemlerin sınırlılıkları ile ilgili ayrıntılı bilgi, üçüncü bölümde
“Araştırmada Kullanılan Tahmin Yöntemlerinin Seçimi” başlığı altında verilmiştir.
2.2.2. Zaman Serisi Yöntemleri
Zaman serisi yöntemleri, bir olaya ait geçmişteki verilerin incelenmesi ve
belirli eğilimlerin ortaya çıkarılarak ileriye yönelik tahminlerin yapılması temeline
dayanmaktadır. Bu yöntemlerin amacı, geçmiş gözlem değerlerindeki veri kalıplarını
kullanarak istatistiksel modeller oluşturmak ve bu modellerle geleceği tahmin
180 KALAYCI, Ş. (Editör), SPSS Uygulamalı Çok Değişkenli İstatistik Teknikleri, Asil Yayın
Dağıtım A.Ş., Ankara, 2003, s. 199 - 259
71

etmektir. 181 Diğer bir anlatımla, çeşitli faktörlerin etkilerinin bir sonucu olarak ortaya
çıkan zaman serilerinin bu faktörlerden nasıl etkilendiği incelenerek gelecekte
alacağı değerler belirlenmeye çalışılmaktadır. 182 Ekonomi ve iş dünyasındaki
belirsizlikler nedeniyle, ekonomik zaman serilerinin gelecekte göstereceği seyri
tahmin etmek, planlama ve karar alma açısından önemlidir. Zaman serisi
yöntemlerinde geleceğin tahmini yanında geçmiş dönemlerin incelenmiş olması;
geçmişteki olumlu ve olumsuz gelişmelerin tespit edilmesine, nedenlerinin
araştırılmasına ve yapılan yanlışların tekrarlanmaması için gerekli tedbirlerin
alınmasına da imkan sağlamaktadır. Sayılan bu özellikleri nedeniyle bilhassa orta ve
kısa dönem tahminlerine ihtiyaç duyulan her alanda yaygın olarak
kullanılmaktadırlar. 183
Zaman serisi tahmin yöntemlerine geçilmeden önce temel kavramların kısaca
açıklanmasında yarar görülmektedir. Bir zaman serisi, zaman içinde gözlenen
ölçümlerin bir dizisidir. Bir fabrikadan ihraç edilen haftalık ürün miktarı, bir
karayolunda meydana gelen haftalık kaza sayısı, bir göldeki saatlik su seviyesi
yüksekliği, bir ülkedeki aylık enflasyon oranı, bir ülkenin yıllık ithalat ve ihracat
miktarları, yıllık yatırım ve gayri safi milli hasıla gelirleri, yıllık işsizlik oranı, bir
şehirdeki aylık yağış miktarı gibi veriler zaman serilerine örnek olarak verilebilir.
Örnekler ekonomi, işletme, mühendislik ve temel bilimlerden verilebilecek farklı
uygulama problemleri ile genişletilebilir. 184 Zaman serileri genel olarak eğer
gözlemler zaman içerisinde sürekli ise “sürekli”, eğer belirli bir zaman aralığındaki
gözlemler söz konusu ise “kesikli” zaman serisi adını alırlar. 185 Kesikli zaman serileri
birkaç şekilde ortaya çıkabilir. Sürekli bir zaman serisi veri iken, zamanın eşit
aralıklarında kesikli bir seri olarak tanımlanan dizi, örneklem serisi olarak
adlandırılır. Kesikli serilerin bir diğer türü ise anlık değerlere sahip olmayan fakat
181 DE LURGIO, S. A., a. g. e., s. 21
182 BÜLBÜL, Ş., “Zaman Serilerinde Üstel Düzeltme Modelleri ve Bir Uygulama”, Öneri: Marmara
Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, Cilt: 1, Sayı: 1, 1994, s. 44
183 AKGÜL, I. (a), Zaman Serilerinin Analizi ve ARIMA Modelleri, Der Yayınları, İstanbul, 2003,
s. x
184 AKDİ, Y., Zaman Serileri Analizi (Birim Kökler ve Kointegrasyon), Bıçaklar Kitabevi,
Ankara, 2003, s. 1
185 AKGÜL, I. (b), “Zaman Serisi Analizi ve Öngörü Modelleri”, Öneri: Marmara Üniversitesi
Sosyal Bilimler Enstitüsü Dergisi, Cilt: 1, Sayı: 1, 1994, s. 52
72

eşit zaman aralıkları boyunca biriken bütüncül verilerdir. Örneğin aylık ithalat veya
ihracat rakamları ya da aylık yağış miktarları bu tür verilerdendir. 186
Zaman serilerinin gözlem değerlerinde, zaman içinde azalma ya da artma
şeklinde bazı değişimler görülebilmektedir. Ekonomik, sosyal, psikolojik vb. çeşitli
nedenlerin zaman serisi değerleri üzerindeki yön ve şiddetinin farklı olmasından ileri
gelen bu değişmeler zaman serilerindeki “veri kalıplarını” oluşturur ve Trend (T),
Mevsimsel değişmeler (M), Konjonktürel değişmeler (K) ve Rassal (Düzensiz)
değişmeler (R) olarak gruplandırılır. 187 Zaman serisi gözlem değerinin uzun dönemde
artma yada azalma şeklinde gösterdiği genel eğilime “trend” adı verilir. Trend
bileşeni, zamana bağlı değişken üzerindeki genel eğilime neden olan uzun dönemli
etkileri açıklar. Mevsimsel değişmeler, birbirini izleyen yılların; çeyrek yılların;
mevsimlerin ve ayların aynı dönemlerine ait gözlem değerlerindeki artış yada azalış
şeklinde ortaya çıkan düzenli değişmeleri ifade eder. Bu değişmeleri doğuran
nedenler arasında iklim, alışkanlıklar, sosyal olaylar vb. sayılabilir. Konjoktür
dalgalanmaları, mevsim dalgalanmalarına göre daha uzun bir zaman periyodunda
ortaya çıkan dalgalanmalarıdır. Bu dalgalanmalar ekonomide görülen genel bir
büyümenin ardından bir gerileme ve daralma dönemi, arkasından tekrar büyümenin
görülmesi şeklinde karakterize edilebilirler. 188 Rassal (düzensiz) değişmeler,
beklenmedik olayların zaman serileri üzerindeki etkisiyle meydana gelen
değişmelerdir. Deprem, siyasal karışıklıklar, savaşlar, grev, hava şartlarında
görülebilen mevsim normalleri dışındaki değişiklikler buna örnek olarak
verilebilir. 189 Seriyi etkileyen faktörlerden trendin (T), mevsimsel değişmelerin (M),
konjonktürel dalgalanmaların (K) ve rassal hareketlerin (R), serinin gerçek değerleri
(Yt) üzerindeki etkileri toplamsal veya çarpımsal bir model ile ifade edilebilir;
Yt = T + M + K + R Toplamsal Model
Y t
= T * M * K * R Çarpımsal Model
186
SEVÜKTEKİN, M. ve NARGELEÇEKENLER, M., Zaman Serileri Analizi, Nobel Yayın
Dağıtım Ltd., Ankara, 2005, s. 5
187
ÖZMEN, A. (a), İstatistik İçinde “Zaman Serisi Çözümlemesi”, Editör: Ali Fuat Yüzer, Anadolu
Üniversitesi Yay. No: 1448, Eskişehir, 2003, s. 297.
188
ÇAKICI, M., OĞUZHAN, A. ve ÖZDİL, T., Temel İstatistik, İzmir, 1999, s. 390
189 ÖZMEN, A.(a), a. g. e., s. 297
73

Toplamsal model ile dört faktörün birbirinden bağımsız olduğu, çarpımsal
model ile dört faktörün farklı nedenlerden kaynaklandığı, ancak birbirleriyle ilişkili
olduğu varsayılır. Modellerde trendin etkisi mutlak, mevsimsel, konjonktürel ve
rassal değişmeler ise yüzde olarak ifade edilmektedir. 190
Zaman serileri ile ilgili önemli kavramlardan biri de “durağanlık” kavramıdır.
Zaman serileri, ortalamadan gösterdiği sapmalara göre durağan ve durağan olmayan
seriler olmak üzere başlıca iki ana başlık altında incelenmektedir. İncelenen zaman
serisinin ortalaması (veya trendi) ve varyansı simetrik bir değişme göstermiyorsa
veya seri periyodik dalgalanmalardan arınmış ise, böyle serilere durağan zaman
serileri denilmektedir. Durağanlık, zaman serilerinde en önemli kavramlardan biridir.
Çünkü birçok istatistiki sonuç çıkarımlar, durağan zaman serileri için yapılmaktadır.
Ancak özellikle ekonomik zaman serilerinden çok azı durağan serilerdir. Dolayısı ile
eğer seri durağan değil ise çeşitli teknikler kullanılarak önce durağan hale getirmek
gerekmekte ve daha sonra analizler yapılabilmektedir. 191 Serinin durağan olup-
olmadığı ile ilgili ön bilgi serinin zamana karşı grafiğinin çizilmesi ile
görülebilmektedir. Ayrıca bu grafikten serinin trendi, mevsimsel dalgalanma, uç
gözlemler ve kesiklik durumları da görülebilmektedir. 192 Yukarıda özetle bahsedilen
durağanlık kavramı ve Box-Jenkins metodolojisinde ele alınan kovaryans
durağanlık, 2.2.2.4.1. no’lu bölüm içerisinde ayrıntılı olarak açıklanmaktadır.
Zaman serilerinin gelecek değerlerinin tahmin edilmesinde çeşitli yöntemler
kullanılmaktadır. Kullanılacak yöntemin seçimi; öngörünün ne amaçla ve nerede
kullanılacağına, zaman serisinin tipi ve özelliklerine (trendin ve mevsimselliğin olup
olmaması gibi), geçmişe ait ne kadar veri elde edilebileceğine, öngörü döneminin
uzunluğuna, analizi yapacak kişi(ler)in bilgi ve beceri düzeyi ile kullanılacak
bilgisayar programlarının bulunabilirliğine bağlı olarak değişmektedir. 193
190 BÜLBÜL, S. E., Çözümsel İstatistik, Alfa Basım Yayın Dağıtım Ltd. Şti., İstanbul, 2001, s. 515
191 AKDİ, Y., a. g. e., s. 2
192 AKGÜL, I. (b), a. g. e., s. 53
193 AKGÜL, I. (b), a. g. e., s. 53
74

2.2.2.1. Mekanik (Naïve) Tahmin Yöntemi
Mekanik modeller en basit tahmin yöntemleridir. Bir tahmin yapmanın
yanında yapılmış olan bir tahminin üstünlüğünün olup olmadığının tespitinde de
kullanılmaktadır. 194 Bir zaman serisi değişkeninin son dönemde aldığı değer bir
sonraki dönemin tahmini olarak kullanılır ve tahmin;
y +1 = y
(2.5)
t
t
şeklinde ifade edilir. yt, zaman serisi verisinin t dönemindeki değeri, y 1 ise,
(t+1) dönemindeki öngörü değeridir. Eğer tahmini yapılacak olan serinin kesin trendi
gözleniyorsa, tahmin trendin yönüne göre yapılır;
y y + y − y )
(2.6)
t+
1 = t ( t t−1
Burada;
y = (t+1) dönemindeki tahmin değeri,
t+1
y = t dönemindeki değer,
t
y y = t dönemiyle, bir önceki dönemin değerleri arasındaki farktır.
t − t−1
Zaman serisi mevsimlik bir özellik gösteriyorsa bu duruma uygun formül;
y y
(2.7)
− 1 −3
= t t
Hem trend, hem de mevsimsel bir yapı gösteren zaman serilerinde ise iki
yaklaşım kombine edilerek, örneğin üçer aylık seriler için;
( yt
− yt
−1)
+ .... + ( yt
−3
− yt
−4
)
y t−1
= yt
−3
+
(2.8)
4
modeli kullanılabilir. 195
194 ÖZMUCUR, S., a. g. e., s. 35
195 HANKE, J. E. ve REITSCH, A.G., Business Forecasting, (Fourth Edition), Allyn and Bacon,
Boston, 1992, s. 132
t+
75

2.2.2.2. Hareketli Ortalamalar Yöntemi
Bir zaman serisi ne kadar tesadüfilik içeriyorsa ortalamadan sapma da o
derece fazla olmaktadır. Bu tesadüfilik durumunu ortadan kaldırmak için son gözlem
değerlerinin ortalamasını almak uygun olabilir. Hareketli ortalamalar yöntemi bu
amaçla, geçmiş verileri alarak bunların ortalamasını bulmakta ve bu ortalamayı
gelecek dönem için öngörü olarak kullanmaktadır. Hareketli ortalamaya dahil
edilecek gözlem sayısı öngörüyü yapacak kişi tarafından belirlenmekte ve sabit
kalmaktadır. Hareketli ortalama teriminin kullanılmasının sebebi; seriye eklenen her
yeni değer ile birlikte yeni bir ortalamanın hesaplanabilmesi ve bunun öngörü olarak
kullanılabilecek olmasıdır. 196 Hareketli ortalamalar yöntemini; basit, ağırlıklı ve çift
hareketli ortalamalar olmak üzere üç grupta incelemek mümkündür.
2.2.2.2.1. Basit Hareketli Ortalama
Basit hareketli ortalama tekniğinde son n dönemin ortalaması tahmini değer
olarak alınır. Matematiksel gösterim;
M =
t+
1
y + yt
− + + yt
−m
n
t 1 .......... + 1
şeklindedir. Burada;
Mt+1 = t+1 dönemindeki tahmin değeri,
yt = t dönemindeki gözlem değeri,
n = hareketli ortalamaya dahil edilen gözlem sayısıdır. 197
(2.9)
Bu yöntemde hata minimizasyonu için genellikle deneme – yanılma yöntemi
kullanılmaktadır. Her yeni değer gerçekleşmesinde en eski değer hesaplamadan
196 MAKRIDAKIS, S. ve WHEELWRIGHT, S. C., Forecasting Methods for Management, Fifth
Edition, John Wiley & Sons Inc. New York, 1989, s. 67
197 MAKRIDAKIS, S. ve WHEELWRIGHT, S. C., a. g. e., s. 69
76

çıkarılarak son m dönemin değerlerinin ortalaması alınır. Hesaplanan bu ortalama bir
sonraki dönemin tahmini değeridir. 198
2.2.2.2.2. Ağırlıklı Hareketli Ortalama
Basit hareketli ortalama yönteminde tahmin değerinin hesaplanmasında son m
döneminin ortalaması alınırken, m döneminden her birine eşit ağırlık verilmektedir.
Ağırlıklı hareketli ortalama yönteminde ise, her döneme farklı bir ağırlık verilerek wi
değerleri ağırlıkları göstermek üzere;
w
M t 1
+ =
w
m
yt
+ wm−1
y
w + w
m
t−1
m−1
formülü ile hesaplanmaktadır. 199
2.2.2.2.3. Çift Hareketli Ortalama
+ .......... .. + w1
y
+ .......... + w
1
t−m
+ 1
(2.10)
İncelenen veriler birinci veya ikinci dereceden polinom şeklinde trende sahip
olduğu durumlarda basit veya ağırlıklı ortalama tekniklerini kullanmak uygun
olmayabilir. Veri seti bir trende sahipse özellikle basit hareketli ortalama tekniğinde
tahmini değerler, gerçekleşen değerleri gecikmeli olarak takip etmektedir. Bu şekilde
bir trende sahip olan zaman serileri için tahmin yöntemlerinden birisi çift hareketli
ortalamadır. Bu yöntem isminden de anlaşılacağı gibi bir seri için hareketli
ortalamanın hesaplanmasının ardından birinci serinin hareketli ortalaması olarak
ikinci bir serinin hesaplanması temeline dayanmaktadır. 200 Basit hareketli ortalama
M t , çift hareketli ortalama
ortalamasından çift hareketli ortalama,
d
M t =
M + M t−
+
n
+ M t−
n
t 1 ...... + 1
77
d
M t ile gösterildiğinde, n dönemin basit hareketli
(2.11)
198
ARMUTLULU, İ. H., İşletmelerde Uygulamalı İstatistik, Alfa Basım Yayın Dağıtım Ltd. Şti.,
İstanbul, 2000, s. 340
199
ARMUTLULU, İ. H., a. g. e., s. 341
200
HANKE, J. E. ve REITSCH, A.G., a. g. e., s. 137

formülü ile hesaplanır. Buradan geleceğe ait tahmini değer aşağıdaki eşitlikler
yardımıyla hesaplanmaktadır.
a t =
b t =
M 2 M −
(2.12)
t
M
n − (
2
1
t
d
t
− M
d
t
) (2.13)
Yukarıdaki eşitliklerde t a trend sabitini, b t trend eğimini göstermek üzere,
t+p dönemi için tahmin değeri,
M = a + b
d
t+
p t tp
(2.14)
şeklinde hesaplanmaktadır. Burada;
n = hareketli ortalamadaki dönem sayısını,
p = tahmini yapılacak dönem sayısını göstermektedir. 201
2.2.2.3. Üstel Düzleştirme Yöntemleri
Hareketli ortalama yönteminde kaç periyodun hesaplamaya dahil edileceği
net olarak söylenemeyip deneme yanılma yöntemi ile belirlenmektedir. Ayrıca basit
hareketli ortalama yönteminde hesaplamaya dahil edilen son dönemin değerleri eşit
ağırlıkta idi. Sakıncalı olabilecek bu iki durumu ortadan kaldırmak için üstel
düzleştirme yöntemleri önerilmektedir. 202 Üstel Düzleştirme Yöntemleri, geçmiş
dönem verilerine eşit ağırlık veren basit hareketli ortalamalar yöntemine benzeyen
ancak geçmiş dönem verilerine eşit değil farklı ağırlıkların verildiği yöntemler
topluluğudur. Üstel terimi verilen ağırlıkların veriler eskidikçe üstel bir şekilde
azalması anlamını taşımaktadır. Diğer bir ifadeyle tahminde kullanılan geçmiş
dönem verilerinden yakın geçmişte gerçekleşenlere yüksek, veriler eskidikçe ise
üstel olarak azalan ağırlıklar verilmektedir. Hareketli ortalamalara oranla en önemli
üstünlüğü bu özelliğidir. Doğal olarak en yakın geçmiş verilerin geleceğe etkisi, eski
201 HANKE, J. E. ve REITSCH, A.G., a. g. e., s. 138
202 ARMUTLULU, İ. H., a. g. e., s. 343
78

dönem verilerinden daha fazla olacaktır. Düzleştirme yöntemlerinin en önemli
özellikleri kolay uygulanabilir ve düşük maliyetli oluşlarıdır. Bir diğer üstünlükleri
de her gerçekleşen yeni dönem verilerinin modele hemen dahil edilebilmesi ve yeni
dönemlerin tahminlerine hemen katkıda bulunabilmeleridir. 203
2.2.2.3.1. Tekli (Basit) Üstel Düzleştirme Yöntemi
Bu yöntem literatürde Brown’un basit üstel düzleştirme yöntemi olarak da
bilinmektedir. y 1 , y2.........
yn
belirgin bir trendi ve mevsimlik dalgalanması olmayan
zaman serisinin basit üstel düzleştirme yöntemiyle tahmini aşağıdaki şekilde
yapılmaktadır.
y α α
(2.15)
'
'
t = yt
−1
+ ( 1−
) yt
−1
Formülde
'
y t , t dönemi tahmini değeri, t−1
y , t-1 dönemi gözlem değeri,
t-1 dönemi tahmini değeri ve α, “Düzleştirme Sabiti (Smoothing Constant)” dir. Bu
yöntemde t dönemi tahmini α oranında bir önceki dönem değeri ile (1-α ) oranında
bir önceki dönem tahmin değerinden oluşmaktadır. α, 0

modeli daha uygun olmaktadır. Bu modelde başlangıç denklemleri aşağıdaki
gibidir; 205
y α α
(2.16)
1
1
t = yt
−1
+ ( 1−
) yt
−1
y α α
(2.17)
2 1
2
t = yt
+ ( 1−
) yt
−1
Bu denklemlerde
1
y t : tekli üstel düzleştirme ile elde edilen değer,
2
y t : ikili üstel düzleştirilmiş değerdir.
İlk
1
y t ve
2
y t değerleri hesaplanırken bilinmesi mümkün olmayan
y ve
değerleri yerine y t değeri veya birkaç gözlem değerinin ortalaması kullanılmaktadır.
Çift hareketli ortalama yönteminde olduğu gibi t a ve b t istatistikleri aşağıdaki gibi
hesaplanmaktadır;
1 1 2 1 2
t = yt
+ ( yt
− yt
) = 2y
t yt
(2.18)
a −
α 1
bt = ( yt
− y
1−
α
2
t
)
1
t−1
y
(2.19)
Bu istatistikler kullanılarak m dönem sonrasının tahmin değerini kestirmek
için oluşturulan model
ˆ = a + b m
(2.20)
yt + m t t
şeklindedir. 206
2.2.2.3.3. Holt’un Çift Parametreli Doğrusal Üstel Düzleştirme Yöntemi
İncelenen zaman serisinin doğrusal trendi var ise Brown’un tek parametreli
üstel düzleştirme tekniği önerilmişti. Doğrusal trende sahip olan seriler için önerilen
205 ARMUTLULU, İ. H., a. g. e., s. 347
80
2
t−1

yöntemlerden biri de Holt’un iki parametreli üstel düzleştirme tekniğidir. 207 Bu
yöntemde ikinci düzleştirme formülü kullanılmamakta, bunun yerine trend değerleri
direkt olarak düzleştirilmektedir. Bu büyük bir esneklik getirmekte ve gözlem
değerlerine uygulanan parametreden farklı bir parametreyle trend değerleri
düzleştirilmektedir.
Holt’un iki parametreli doğrusal üstel düzleştirme yönteminde tahminler iki
düzleştirme sabiti ve üç denklem yardımıyla yapılmaktadır; 208
'
'
1 )( )
− + y α y α y b
(2.21)
( − 1 −1
+
= t t
t t
b β β
(2.22)
' '
t = ( yt
− yt
−1)
+ ( 1−
) bt−1
'
ˆ = y + b m
(2.23)
yt + m t t
Holt yönteminde ilk denklemde
'
y t değeri, t
81
y değerine bir önceki dönem
trendi ( b t 1)
ile bir önceki dönem düzleştirilmiş değerin ilavesiyle elde edilmektedir.
−
İkinci denklem son iki dönem düzleştirme değerlerinin farkı şeklinde trendi
güncellemektedir. Tahminde kullanılan son denklem ise y ˆ t+
m tahmini, bir önceki
dönem düzleştirilmiş değerine (
'
y t ) m kadar t dönemi trendinin ( b t ) ilavesiyle
yapılmaktadır. α ve β, düzleştirme sabitleridir ve diğer düzleştirme sabitleri gibi 0
ile1 arasında değer almaktadır. En uygun α ve β değerleri, tahmin hataları kareleri
toplamını minimum yapanlardır. Bunun ortaya çıkarılması için denemelerin
yapılması gerekmektedir. 209
2.2.2.3.4. Brown’un İkinci Derece Üstel Düzleştirme Yöntemi
Zaman serileri eğrisel olduğunda (ikinci, üçüncü ve daha üst dereceden),
Brown’un ikinci derece üstel düzleştirme yöntemi önerilmektedir. Doğrusaldan
eğrisel düzleştirmeye geçerken üçüncü bir düzleştirme eklenmekte ve ilave bir
206 ORHUNBİLGE, N. (a), a. g. e., s. 104
207 HANKE, J. E. ve REITSCH, A.G., a. g. e., s. 151
208 ORHUNBİLGE, N. (a), a. g. e., s. 107, HANKE, J. E. ve REITSCH, A.G., a. g. e., s. 151

parametre modele girmektedir. Üçüncü ve daha üst dereceden düzleştirmeler de aynı
şekilde dördüncü, beşinci, … ilave parametrelerle gerçekleştirilmektedir.
İkinci derece düzleştirmeye ait denklemler aşağıda verilmiştir.
1
1
yt = α yt
+ ( 1−
α ) yt
−1
(2.24)
2 1
2
yt = α yt
+ ( 1−
α ) yt
−1
(2.25)
3 2
3
yt = α yt
+ ( 1−
α ) yt
−1
(2.26)
1 2 3
t = 3y t − 3y
t yt
(2.27)
a −
1
2
3
[ ( 6 − 5α
) y − ( 10 − 8α
) y + ( 4 − 3 ) y ]
α
bt t
t α
2(
1−
α )
2
α 1 2
c t = ( y 2
2 t − yt
+ y
( 1−
α)
Tahmin denklemi ise,
1
ˆ m
2
3
t
)
t
(2.28)
(2.29)
2
yt + m = at
+ bt
m + ct
(2.30)
şeklindedir. α’nın seçimi, diğer üstel düzleştirme yöntemlerinde olduğu gibi
yapılmaktadır. 210
2.2.2.3.5. Mevsimsel Üstel Düzleştirme – Winters Yöntemi
Bu yöntem, üstel düzleştirme tekniklerinin farklı bir formu olarak 1960’lı
yıllarda Winters tarafından geliştirilmiştir. Doğrusal üstel düzleştirme yöntemlerine
benzer sonuçlar üretmekle birlikte Winters’ın mevsimsel üstel düzleştirme
yönteminin en önemli avantajı; trendin yanı sıra mevsimsel dalgalanmaya sahip
veriler üzerinde de uygulanabilmesidir. Winters’ın doğrusal ve mevsimsel üstel
düzleştirme yöntemi, her biri modelin üç bileşenini; trend, tesadüfi (rassal)
209 ORHUNBİLGE, N. (a), a. g. e., s. 107
82

dalgalanmalar ve mevsimselliğe bağlı parametrelerin düzleştirilmesinde kullanılan üç
eşitliğe dayanmaktadır. Bu yönüyle Holt’un iki parametreli doğrusal düzleştirme
yöntemine bezerlik göstermekte, ancak üç düzleştirme sabiti yanında mevsimsellikle
ilgili üçüncü bir denklemden yararlanmaktadır. 211
Winters yönteminin denklemleri aşağıdaki gibidir;
Yt
Lt = α + ( 1−
α)(
Lt
−1
+ bt−1
)
(2.31)
S
t−
s
b β β
(2.32)
t = ( Lt
− Lt
−1
) + ( 1−
) bt−1
Y
γ ( γ
(2.33)
t
St = + 1−
) St
−s
Lt
F t+
m = Lt
+ bt
m)
St
−s+
m
Burada;
( (2.34)
S = Mevsim uzunluğunu (Bir yıl içerisindeki mevsim sayısı),
L = Serinin t dönemindeki genel seviyesini,
t
b = Trend bileşenini,
t
S = Mevsimsel bileşeni,
t
F = m ileri dönem için öngörü değerini ifade etmektedir. 212
t+m
α , β veγ ise, Winters yöntemindeki düzleştirme sabitleridir. α , modelin
düzleştirme sabiti, β , trend düzleştirme sabiti ve γ mevsim düzleştirme sabitidir.
Bu parametreler diğer yöntemlerde olduğu gibi tahmin hatasını minimum yapacak
şekilde belirlenmelidir. Mevsimsellik denklemi, serinin en son değerlerini gösteren
210 ORHUNBİLGE, N. (a), a. g. e., s. 110
211 MAKRIDAKIS, S. ve WHEELWRIGHT, S. C., a. g. e., s. 80
83

Y t ’nin son düzleştirilmiş değerleri olan t
84
L ’ye bölünmesi ile elde edilen mevsimsel
indeks ile karşılaştırılabilir. t Y , L t ’den büyük ise, oran 1’den büyük, aksi durumda
1’den küçük olacaktır. L t , seri değerlerinin düzeltilmiş bir uyarlamasıdır ve bu
nedenle mevsimsel etkileri taşımazlar. Diğer yandan, Y t değerleri hem mevsimselliği
hem de rassal bileşeni kapsamaktadır. Bu rassallığı düzeltmek için mevsimsellik
denklemi γ katsayısı ile ağırlıklandırılır. Trend denkleminde ilk terimin mevsimsel
indekse ( t s
S − ) bölünmesi ile yapılan uyarlama, Y t ’den mevsimsel dalgalanmaların
etkilerini arındırmak için yapılmaktadır. 213
Winters yönteminde, algoritmanın başlatılması için bileşenlerin (seviye
değeri olan t L , trend değeri olan t b ve mevsim indeksi S t ’nin) ilk değerlerinin
belirlenmesi gerekmektedir. Mevsim indeksinin belirlenmesi için en az tam bir
mevsimin tamamlanması gerektiğinden trend ve seviyenin başlangıç değerlerinin S
periyodu için belirlenmesi gerekmektedir. Seviye başlatma değeri ilk mevsimde
gerçekleşen değerlerin ortalaması alınarak hesaplanmaktadır;
1
L S = ( Y1
+ Y2
+ ..... + YS
)
(2.35)
S
Bu denklemde, S dereceden hareketli ortalama hesaplanmakta ve serideki
mevsimselliği devre dışı bırakmaktadır. Bu nedenle trend değerinin tespit edilmesi
için en az iki tam mevsimin değerlerinin kullanılması uygun olmaktadır;
b
S
1 ⎡YS + 1 − Y1
YS
+ 2 − Y2
YS
+ S − Y
= ⎢ + +
S ⎣ S S S
S
⎤
⎥
⎦
(2.36)
Mevsim indeksinin başlangıç değeri, serinin ilk birkaç değerinin ilk yılın
ortalamasına oranlanması ile belirlenmektedir;
Y1
Y2
S 1 = , S 2 = , ……….
L L
S
S
Y
S
S S = (2.37)
LS
212 MAKRIDAKIS, S., WHEELWRIGHT, S. C. ve HYNDMAN, R. H., Forecasting: Methods and
Applications, John Wiley and Sons Inc., New York, 1998, s. 164
213 MAKRIDAKIS, S., WHEELWRIGHT, S. C. ve HYNDMAN, R. H., a. g. e., s. 165

Başlangıç değerlerinin belirlenmesinde genellikle yukarıdaki yöntemler
kullanılmakla birlikte başka yöntemlerde kullanılabilmektedir. 214
2.2.2.3.6. Diğer Üstel Düzleştirme Yöntemleri
Literatürde yukarıda incelenen yöntemler dışında başka üstel düzleştirme
yöntemleri de geliştirilmiştir. Bunlar arasına;
• Chow’un Uyarlanabilir Kontrol Yöntemi,
• Harrison’un Harmonik Düzleştirme Yöntemi,
• Uyarlanabilir Tepki Oranlı Basit Üstel Düzleştirme Yöntemi,
• Brown’un Tek Parametreli Uyarlanabilir Yöntemi
sayılabilir. Ancak çok uzun ve yorucu hesaplamalar gerektirdikleri için geniş
uygulama alanına sahip olamamışlardır. Nitekim bir çok istatistik paket
programındaki tahmin seçenekleri arasında yer almamaktadırlar. 215
2.2.2.4. Box-Jenkins (ARIMA) Yöntemi
George Box ve Gwilym Jenkins tarafından 1970 yılında geliştirilmiştir. Box-
Jenkins yönteminde temel olarak iki ayrı yöntemin (Otoregresyon ve Hareketli
Ortalama) bir kombinasyonu oluşturulmaya çalışılmaktadır. Bu kombinasyonu ifade
etmek için kısaca ARMA (Auto Regressive Moving Averages) ifadesi
kullanılmaktadır. Ancak söz konusu modeller sadece durağan serilerde
kullanılabildiği için, seriye fark alma (differencing) işlemi uygulanması
gerekmektedir. Fark alma işlemlerinin sayısını belirleyen “entegrasyon indeksi”nin
de ifadeye katılması ile birlikte ARIMA (Auto Regressive Integrated Moving
Average) modelleri ortaya çıkmaktadır. 216 ARIMA modellerinde temel yaklaşım,
214 MAKRIDAKIS, S., WHEELWRIGHT, S. C. ve HYNDMAN, R. H., a. g. e., s. 167-168
215 ORHUNBİLGE, N. (a), a. g. e., s. 119
216 FRETCHLING D.C. (b), a. g. e., s. 112
85

incelenen değişkenin bugünkü değerinin, geçmiş değerlerinin ağırlıklı toplamı ve
rassal şokların bileşimine dayandığı şeklinde ifade edilmektedir. 217
ARIMA modelleri, öngörü için ek bilgi gerektirmemesi ve özellikle kısa ve
orta dönem öngörü başarısının yüksek olduğunun çeşitli çalışmalarda ortaya konmuş
olması nedeni ile yaygın kullanım alanı bulmuşlardır. 218 Bunun yanında, çeşitli model
seçenekleri arasında uygun olanı seçme ve seçilen modelin her aşamada incelenen
seriye uygunluğunu denetleme gibi üstünlüklere sahiptir. 219 Model seçiminde, serinin
durağan olup olmaması ve mevsim etkisi taşıyıp taşımaması belirleyici olmaktadır.
Bu nedenle ilk olarak zaman serisinin özellikleri ortaya çıkarılmakta ve uygun bir
model bulmaya çalışılmaktadır. Ardından seriyi en iyi öngöreceği saptanan form
üzerinde analizler yapılmaktadır.
2.2.2.4.1. Yönteme İlişkin Kavramlar
Box-Jenkins yönteminin uygulanması ve uygun modelin belirlenebilmesi için
bazı kavramların tanımlanması gerekmektedir. Çalışmanın bu bölümünde Box-
Jenkins metodolojisinde ele alınan, kovaryans; kovaryans durağanlık; otokorelasyon
fonksiyonu; birim kök testleri ve kısmi otokorelasyon fonksiyonu kavramları
hakkında bilgi verilmiştir.
Box-Jenkins modelleri sadece durağan veya durağanlaştırılmış serilerde
kullanılabildiklerinden, uygun modellerin belirlenmesinde durağanlık, daha önce de
vurgulandığı gibi büyük önem taşımaktadır. Box-Jenkins modellerinde dikkate alınan
durağanlık, kovaryans durağanlığıdır. Kovaryans, zamana bağlı bir değişkenin farklı
dönemlere ilişkin değerleri arasındaki karşılıklı ilişkinin bir ölçüsüdür. 220 Genel
olarak ortalamasıyla varyansı zaman içinde değişmeyen ve iki dönem arasındaki
kovaryansı, bu kovaryansın hesaplandığı döneme değil de yalnızca iki dönem
217
AKGÜL, I. (a), a. g. e., s. 35
218
AKGÜL, I. (a), a. g. e., s. 144
219
AKMUT, Ö., AKTAŞ, R. ve BİNAY, H. S., Öngörü Teknikleri ve Finans Uygulamaları,
Siyasal Kitabevi, Ankara, 1999, s. 149
220
MAKRIDAKIS, S., WHEELWRIGHT, S. C. ve HYNDMAN, R. H., a. g. e., s. 615
86

arasındaki uzaklığa bağlı olan olasılıklı (stokastik) 221 bir süreç durağandır denilir.
Belli bir dönem için gözlenen bir seriyi (Yt) ortaya çıkaran stokastik sürecin durağan
olması şartları aşağıdaki gibi ifade edilebilir;
Ortalama E ( Yt
) = µ
(2.38)
2 2
Varyans var ( Y ) E(
Y − µ ) = σ
(2.39)
t
= t
Kovaryans γ [ ( Y − µ )( Y − µ ) ]
k = t
t+k
E (2.40)
Burada γ k , k gecikme değerindeki kovaryans, Yt ile Yt+k arasındaki, yani
aralarında k dönem farkı olan iki Y arasındaki kovaryanstır. Eğer k= 0 ise, γ 0 bulunur
2
ki bu Y’nin varyansıdır Y ( σ )
= ; eğer k=1 ise, 1
87
γ , Y’nin ardışık iki değeri arasındaki
kovaryanstır. Eğer bir zaman serisi yukarıdaki anlamda durağan değilse, durağan
olmayan zaman serisi adını alır. 222 Durağanlığın araştırılmasında başvurulan
yöntemlerden birisi, oto korelasyon fonksiyonuna (OKF) dayanmaktadır. Gecikmesi
k iken ρ k ile gösterilen oto korelasyon katsayısı şöyle tanımlanır:
ρ
k =
γ
γ
k
0
k gecikmesindeki
kovaryans
= (2.41)
varyans
ρ k , diğer korelasyon katsayıları gibi -1 ile 1 arasında değer almaktadır. Oto
korelasyon değerlerinin ( ρ k ) gecikmelere (k) göre çizimi yapılırsa elde edilen
grafiğe “ana kütle korelogramı” denir. Uygulamada olasılıklı bir sürecin yalnızca
örnek oto korelasyon fonksiyonu ρˆ k hesaplanabilmektedir. Bunun için önce, k
gecikmeli örnek kovaryansı ( γˆ k ) ile örnek varyansının ( 0 ˆ γ ) hesaplanması gerekir.
∑
( Yt − Y )( Yt+
k − Y )
ˆ γ k =
(2.42)
n
221 Herhangi bir zaman serisinin stokastik (olasılıklı) veya tesadüfi (rassal) süreç ile ortaya çıkmış
olduğu düşünülebilir. Box-Jenkins metodolojisinde incelenen olasılıklı süreç türü durağan
olasılıklı süreçtir.
222 GUJARATI, D. N., “Basic Econometrics”, International Edition, McGraw-Hill Inc., Literatür
Yayıncılık, İstanbul, 1995, s. 713-714

2
( Yt Y )
ˆ0 n
∑ −
γ =
(2.43)
Burada n örnek büyüklüğü, Y örnek ortalamasıdır. Dolayısıyla k
gecikmesindeki örnek oto korelasyon fonksiyonu şöyledir;
ˆ γ k ˆ ρ k = (2.44)
ˆ γ
0
Yukarıdaki eşitlik, örnek kovaryansının örnek varyansına oranıdır. ρˆ k ’nin
k’ya göre gösterimi ise örnek korelogramı olarak bilinir. 223 ρˆ k ’nin istatistiki açıdan
anlamlılığı, standart hatasıyla belirlenir. Tesadüfi bir değişkenin k= l, 2, 3, ...
gecikme değerleri için hesaplanan örnek oto korelasyon katsayılarının örnekleme
dağılımının ortalaması sıfır, standart hatası yaklaşık olarak
88
1 dir. Fakat
n
gecikme değeri k ≤ 1 için örnek oto korelasyon katsayısının standart hatası;
1
2
S ˆ ρ ( ˆ ρ )
(2.45)
K
[ k ] = [ 1+
2]∑
n k = 1
k
formülüne göre hesaplanır. Eğer çeşitli gecikmeler için örnekleme
dağılımından hesaplanan oto korelasyonlar ±
Z c
1 aralıkları içinde ise oto
korelasyon değerlerinin sıfır olduğu ve serinin tesadüfi olduğuna karar verilir.
Eğer bir seri için hesaplanan oto korelasyon katsayılarının değerleri birkaç
gecikmeden sonra sıfıra yaklaşıyor, yani ±
Z c
n
n
1 limitleri arasında kalıyorsa bu
seri durağandır, aksi takdirde serinin durağan olmadığına karar verilir. 224
Serinin durağan olmadığı belirlendiğinde birinci dereceden farkı alınarak elde
edilen yeni serinin OKF’na bakılır. Gecikme uzunluğu artarken OKF’nun hızla sıfıra
223 GUJARATI, D. N., a. g. e., s. 715
224 BOX, G. E .P. ve JENKINS. G., “Time Series Analysis: Forecasting and Control”, Holden Day,
Lancaster, l976, s. 36’dan aktaran BİRCAN, H. ve KARAGÖZ, Y., “Box-Jenkins Modelleri ile
Aylık Döviz Kuru Tahmini Üzerine Bir Uygulama”, Kocaeli Üniversitesi, Sosyal Bilimler
Enstitüsü Dergisi, Cilt: 6, Sayı: 2, 2003, s. 52

yaklaşması durumunda serinin “birinci mertebeden (dereceden) durağan” olduğu
ifade edilir. Birinci mertebe farkı alınarak elde edilen yeni serinin durağan olmadığı
tespit edildiğinde serinin durağanlığı sağlanana kadar fark alma işlemine devam edilir.
OKF’nun hızla sıfıra yaklaştığı görüldüğünde fark alma işlemi kesilmekte ve serinin
kaçıncı dereceden farkı alınarak durağanlığının sağlandığına “durağanlık derecesi”
denilmektedir. 225
Durağanlığı sınamanın bir başka yolu, “birim kök (unit root)” testidir.
Y = Y −1 + u
(2.46)
t
t
t
modeli ele alındığında, u t , ortalaması sıfır,
89
2
σ sabit varyanslı ve ardışık
bağımlı olmayan stokastik hata terimidir. Böyle bir hata terimi “beyaz gürültü (white
noise) hata terimi” olarak bilinir. Y −1
‘in katsayısı bire eşitse, “birim kök” sorunu
yani durağan olmama durumu söz konusudur. Dolayısıyla;
t = Yt
−1
t
t
Y ρ + u
(2.47)
regresyonu hesaplanıp ve ρ = 1 bulunursa, bu durumda Y t stokastik
değişkeninin birim kökü vardır denilir. Birim köke sahip bir zaman serisi “rassal
yürüyüş” (random walk) zaman serisi diye adlandırılır. Rassal yürüyüş ise durağan
olmayan bir zaman serisi örneğidir. (2.47) eşitliği, alternatif olarak çoğunlukla
aşağıdaki biçimde ifade edilir:
∆ t = (ρ −1)
Yt
−1
Y + u
= t−1
t
t
δ Y + u
(2.48)
Burada, δ = ( ρ −1)
ve ∆, birinci fark alma operatörüdür. Bu durumda sıfır
hipotezi H0: δ = 0’dır
çünkü; δ gerçekten de 0 ise (2.48) no’lu denklem şu şekilde
yazılabilir:
∆Y = Y − Y − = u ) ( 1 (2.49)
t
225 AKGÜL, I. (a), a. g. e., s. 15-16
t
t
t

Bu denklem şunu ifade etmektedir; bir rassal yürüyüş zaman serisinin birinci
farkları (ut) durağan bir zaman serisidir, çünkü varsayım gereği ut bütünüyle
rassaldır. 226 Şayet bir zaman serisinin ilk farkları alındıktan sonra durağan olduğu
belirlenirse, orijinal seri birinci dereceden bütünleşiktir denilir ve I(1) ile gösterilir.
Genel olarak d kez farkının alınması gerekiyorsa, bu seri d’inci dereceden
bütünleşiktir yani I(d)’dir. ρ = 1 sıfır hipotezi altında geleneksel olarak hesaplanan t
istatistiği, kritik değerleri Dickey ve Fuller tarafından “Monte Carlo Simülasyonları”
temel alınarak çizelgelenmiş τ (tau) istatistiği olarak bilinir. 227 Literatürde tau testi,
“Dickey-Fuller” testi olarak bilinmektedir. τ istatistiklerinin değerlendirilmesinde
bilinen t testi yapılamaz (çünkü hesaplanan t değeri büyük örneklerde bile t
dağılımına uymaz). Bu nedenle τ istatistiği MacKinnon kritik değerleri ile
karşılaştırılır. Eğer τ istatistiği mutlak değerce τ MacKinnon kritik değerinin
mutlak değerinden küçükse, sıfır hipotezi kabul edilir ve serinin durağan olmadığı
sonucuna varılır. 228
Kuramsal ve uygulamadaki nedenlerle Dickey-Fuller testi, aşağıdaki
regresyon modellerine uygulanmaktadır;
Y δ + u
(2.50)
∆ t = Yt
−1
∆ t = 1 + Yt
−1
t
Y β δ + u
(2.51)
∆ t = 1 + 2t
+ Yt
−1
t
Y β β δ + u
(2.52)
t
Burada t, zaman veya trend değişkenidir. Her durumda sıfır hipotezi δ = 0
(birim kök var) şeklindedir. İlki ile diğer iki model arasındaki fark, sabit terimin ve
trend teriminin modellere dahil edilmesidir. Eğer hata terimi ut, ardışık bağımlı ise,
(2.52) nolu denklem şöyle düzenlenir;
226 GUJARATI, D. N., a. g. e., s. 719
227 DİCKEY, D. ve FULLER, W. A., “Distribution of the Estimators for Autoregressive Time Series
with a Unit Root”, Journal of the American Statistical Association, 1979, s. 427-431’dan
aktaran GUJARATI, D. N., a. g. e., s. 719
228 ERTEK, T., Ekonometriye Giriş, Beta Basım Yayım Dağıtım A.Ş., İşletme-Ekonomi Dizisi: 64,
1996, İstanbul, s.387
90

t
m
β1 + β 2t
+ δYt
− 1 + α i∑
∆Yt−i
+ t
(2.53)
i=
1
∆Y
=
ε
Bu modelde gecikmeli fark terimleri kullanılmıştır. Temel mantık, hata
teriminin bağımsız olmasını sağlayacak kadar terimin modele dahil edilmesidir.
Dickey-Fuller testi, (2.53) nolu denklem ile gösterilen modellere uygulandığında
buna “Genişletilmiş (Augmented) Dickey-Fuller Testi” adı verilmektedir. 229
Box-Jenkins yöntemindeki önemli kavramlardan biri de “kısmi oto
korelasyon fonksiyonu” (KOKF) 230 dur. Kısmi oto korelasyon; zaman değişkeninin
etkisi sabit kalmak koşulu ile bir değişkenin t dönemine ilişkin gözlem değerleri ile t-
k dönemine ait gözlem değeri arasındaki ilişkinin ölçüsüdür. 231 Bu ilişkinin derecesini
belirleyen katsayı ise “kısmi oto korelasyon katsayısı” olarak adlandırılır ve örnek
kısmi oto korelasyon katsayısı ρˆ kk aşağıdaki formüllerle hesaplanmaktadır.
ˆ ρ = ˆ ρ
kk 1 şayet k = 1 ise
k−1
∑
ˆ ρ k − ˆ ρ ˆ k−1,
j ρ k −1
ˆ ρ kk =
j=
1
k −1
1−
ˆ ρ ˆ ρ
(k = 2,3,…..ise) (2.54)
∑
j=
1
k −1,
j
kj = k −1,
j − kk k−1,
k − j
j
ˆ ρ ˆ ρ ˆ ρ ˆ ρ (j = 1,2,…..k-1) (2.55)
ρˆ k = k dönem gecikmeli oto korelasyon katsayısı,
ρˆ kk = k dönem gecikmeli iki seri arasındaki (diğer gecikmeler sabit
tutulduğunda) kısmi oto korelasyon katsayısıdır.
229 GUJARATI, D. N., a. g. e., s. 720
230 Bu çalışmada, Otokorelasyon Fonksiyonu (OKF); Auto Correlations Function (ACF), Kısmi
Otokorelasyon Fonksiyonu (KOKF); Partial Auto Correlations (PACF) karşılığı olarak
kullanılmıştır.
231 ÖZMEN, A. (b), Zaman Serisi Analizinde Box-Jenkins Yöntemi ve Banka Mevduat
Tahmininde Uygulama Denemesi, Anadolu Üniversitesi Yayınları, No: 207, Eskişehir, 1986, s.
41
91

Kısmi oto korelasyon katsayılarının hesaplanmasındaki amaç, otoregresif
(AR) ve otoregresif hareketli ortalama (ARMA) modellerinin tanımlanmasını
(derecelerinin belirlenmesini) kolaylaştırmaktır. 232
2.2.2.4.2. Durağan ARIMA Modelleri
Bu bölümde, durağan zaman serilerine uygun olan; “Otoregresif AR(p)”,
“Hareketli Ortlama MA(q)” ve “Karma Otoregresif Hareketli Ortalama ARMA(p,q)”
modelleri hakkında bilgi verilmiştir.
2.2.2.4.2.a. Otoregresif Modeller: AR(p)
Otoregresif AR(p) modelde zaman serisi değişkeninin içinde bulunulan
dönemdeki (cari) değeri, serinin p dönem geçmiş değerlerinin ağırlıklı toplamına artı
rassal hata terimine bağlı olarak açıklanmaktadır. Genel olarak;
y φ φ
φ + ε
t = 1 yt
− 1 + 2 yt
−2
+ ....... + p yt
− p t
(2.56)
veya
y ε
t − φ 1 yt
− 1 − φ2
yt
−2
− ... − φ p yt
− p = t
(2.57)
şeklinde ifade edilen süreç, p’inci mertebeden otoregresif süreç olarak
adlandırılmaktadır. Bu denklemde;
y = Trend etkisi kaldırılmış seriyi,
t
p = Otoregresif sürecin mertebesini (serinin geçmiş değerlerinin sayısı),
φ = Bugünkü dönem ile geçmiş dönem değerleri arasındaki ilişkiyi gösteren
ilişki katsayıları (ağırlıklar),
ε = Model tarafından açıklanamayan hata terimini göstermektedir.
t
232 ORHUNBİLGE, N. (a), a. g. e., s. 147
92

(2.56) ve (2.57) nolu denklemlerde ε t ile simgelenen hata terimi; sıfır
ortalama ile sabit varyansa ve bağımsız, rassal sürece (white noise) sahiptir. Ayrıca,
ε t ’ler, yt-p’lerden bağımsız olup herhangi bir dönemdeki hata ile arasında ilişki söz
konusu değildir. δ ile simgelenen yığılım parametresine sahip AR(p) süreci;
y φ φ
φ δ + ε
t = 1 yt
− 1 + 2 yt
−2
+ ....... + p yt
− p + t
(2.58)
veya
t − φ 1 yt
− 1 − φ2
yt
−2
− .... − φ p yt
− p + δ = t
(2.59)
y ε
şeklinde ifade edilmektedir. δ, stokastik sürecin ortalaması ile ilgili sabittir ve
“yığılım parametresi” olarak adlandırılmaktadır. 233 Modele sabitin katılması ise,
serinin sıfırdan farklı olmasına izin verilmesi şeklinde ifade edilebilir. (2.58) ve
2
(2.59) nolu modellerde δ , σ ε , φ 1 , φ2
, φ3....
φ p olacak şekilde (p+2) tane; (2.56) ve
(2.57) nolu modellerde ise,
2
ε
93
σ , φ 1 , φ2
, φ3....
φ p olacak şekilde (p+1) tane bilinmeyen
parametre vardır ve bu değerler verilerden tahmin edilmektedirler.
süreci özelliği taşıyan ε t ’nin varyansını simgelemektedir.
2
σ ε , “white noise”
2
AR(p) süreci, BY Y −1
, B Y Y −2
olarak işleyen geri kaydırma işlemcisi:
t
= t
B kullanıldığında ( δ = 0 varsayımı ile)
ise,
1−
φ ) =
t
= t
2
P
1 B −φ
2B
− .... − φP
B yt
ε t
(2.60)
olarak gösterilebilir. p-inci mertebeden AR işlemcisi olan φ (B)
’nin açılımı
φ( B) = 1−
φ ... −φ
2
P
1 B −φ
2B
− P B
(2.61)
olarak yapılmaktadır. 234
233 “Yığılım Parametresi” birim köke sahip olan yani durağan olmayan seriler için geçerlidir. Serinin
durağan olması durumunda ise “Sabit” olarak adlandırılmaktadır.
234 AKGÜL, I. (a), a. g. e., s. 37

2.2.2.4.2.b. Hareketli Ortalama Modelleri: MA(q)
MA(q) modelleriyle tahminlerde, q adet geçmiş dönem hatalarının doğrusal
kombinasyonu kullanılmaktadır. Hareketli ortalama modelleri, aynı adı taşıdıkları
halde daha önce bahsedilen hareketli ortalamalar yöntemlerinden farklıdırlar. Bu
modeller daha çok üstel düzleştirme yöntemlerine benzemektedirler. Değişkenin
geçmiş dönem değerlerine gittikçe azalan ağırlıklar verilmesine dayanmaktadır. 235
Genel olarak bu modeller yığılım parametresinin modelde ye alıp almamasına bağlı
olarak;
halinde;
y = µ + ε −θ
ε θ ε ....... θ ε −
t
veya,
t
t
t
t
t
t−1
− 2 t−2
− − q t q
(2.62)
y = ε −θ
ε
....... ε −
t−1
−θ
2ε
t−2
− −θ
q t q
(2.63)
şeklinde ifade edilmektedirler. Yukarıdaki denklemlerde;
yt = durağan seriyi,
θ = artı veya eksi değerler alabilen parametreleri simgeleyen ağırlıkları,
µ = sabiti,
ε t−1 ε t−2
, ε t−q
, = geçmiş dönem hata terimlerini göstermektedir.
Model (2.63) geri kaydırma işlemcisi B kullanıldığında ise, µ = 0 olması
= ( 1 θ .... )
(2.64)
2 3
q
yt − 1B
−θ
2B
−θ
3B
− −θ
q B ε t
olarak ifade edilmektedir. MA(q) işlemcisi olarak adlandırılan θ (B)
, B
işlemcisinin polinomiyal fonksiyonudur ve açılımı
2 3
q
θ ( B) = ( θ −θ
−θ
B −θ
B − .... −θ
B )
(2.65)
0
1B
olarak yapılmaktadır.
2
3
q
94

Denklemlerde ε t , ortalaması sıfır ve varyansı sabit olan bağımsız dağılmış
olan rassal bir değişkendir. Ayrıca her bir hata teriminin normal ve rassal dağıldığı
varsayılmaktadır. 236
2.2.2.4.2.c. Otoregresif Hareketli Ortalama Modeli: ARMA (p,q)
Durağan serilerin sadece AR(p) veya MA(q) süreçlerinin değil de, her iki
sürecin özelliklerine sahip oldukları durumda oluşturulacak olan ve seriler için daha
iyi uyum sağlayan modeller “Otoregresif Hareketli Ortalama Modelleri” ARMA(p,q)
olarak adlandırılmaktadır. ARMA(p,q) modelleri, en genel durağan stokastik süreç
modelleri olup, geçmiş gözlemlerin ve geçmiş hata terimlerinin doğrusal bir
fonksiyondur. p ve q mertebelerine sahip ARMA(p,q) süreci, yığılım parametresinin
modelde yer alıp almamasına göre, δ ≠ 0 ve δ = 0 varsayımları ile;
y = φ .... ε −
t
t
1 yt
−1
+ φ2
yt
−2
+ .... + φ p yt
− p + δ + ε t −θ
1ε
t−1
−θ
2ε
t−2
− −θ
q t q (2.66’)
y = φ .... ε −
için);
1 yt
−1
+ φ2
yt
−2
+ .... + φ p yt
− p + ε t −θ
1ε
t−1
−θ
2ε
t−2
− −θ
q t q (2.66’’)
veya
t
t−1
t−2
.... −φ
p yt
− p = δ + ε t −θ
1ε
t−1
−θ
2ε
t−2
y −φ y + φ y −
− ... θ ε −
t
1
t−1
2
t−2
.... −φ
p yt
− p = ε t −θ
1ε
t−1
−θ
2ε
t−2
y −φ y + φ y −
− ... θ ε −
1
2
şeklinde gösterilmektedir. Süreç, geri kaydırma işlemcisi B ile ( δ = 0 hali
( 1−
φ ... ) ( 1 θ θ θ ... θ ) (2.67)
2 3
P
2 3
q
1B
−φ
2B
−φ
3B
− −φ
pB
yt
= − 1B
− 2B
3B
− − q B ε t
veya kısaca
φ ( B) y = θ ( B)
ε
(2.68)
t
olarak gösterilebilir.
235 ORHUNBİLGE, N. (a), a. g. e., s. 165
236 AKGÜL, I. (a), a. g. e., s. 68
t
q
t
q
q
t
q
95

Modellerde y t , durağan seridir. ARMA (p,q) sürecinde (2.66’) nolu modelde
δ = 0 varsayımı ile [p+q+2] bilinmeyen söz konusu olup, verilerden tahmin
edilmektedirler. 237
2.2.2.4.3. Durağan Olmayan ARIMA Modelleri
Süreçlerin ortalamasının, varyansının ve kovaryansının zamana bağlı olarak
değişmemesi durumunda, başka bir deyişle seriler durağan olduklarında AR(p),
MA(q) veya ARMA(p,q) modellerinden birinin uygun olacağına değinilmişti. Ancak
zaman serilerinin çoğunda ortalama ve/veya varyansta zamana bağlı bir eğilim
gözlenmektedir. Serilerin sabit bir ortalama etrafında dağılmaması veya stokastik
sürecin karakteristiklerinin zamana bağlı olarak değişmesi nedeni ile durağan
olmayan seriler ortaya çıkmaktadır. Bu gibi serilerin durağan hale dönüştürülmesi
gerekli olmakta ve genellikle bu özelliklere sahip serilerin durağan olana kadar farkı
alınmaktadır. 238
2.2.2.4.3.a. Otoregresif Entegre Hareketli Ortalama Modeli: ARIMA(p,d,q)
Durağan olmayıp farkı alınarak durağan hale getirilmiş serilere uygulanan
modellere “durağan olmayan doğrusal stokastik modeller” veya kısaca “entegre
modeller” denir. Bu entegre modeller belirli sayıda farkı alınmış serilere uygulanan
AR ve MA modellerinin birleşimidir. Eğer AR modelinin derecesi p, MA modelin
derecesi q ve serinin d kez farkı alınmış bu modele (p,d,q) dereceden “otoregresif
entegre hareketli ortalama modeli” denir ve ARIMA (p,d,q) şeklinde gösterilir.
Durağan olmayan yt serisinin d’inci mertebeden farkı alınarak
durağanlaştırıldığında yeni seri; wt olarak tanımlanırsa, dönüşüm
d
d
t = ∆ yt
= ( 1−
B yt
(2.69)
w )
şeklinde gösterilmektedir.
237 AKGÜL, I. (a), a. g. e., s. 87
238 AKGÜL, I. (a), a. g. e., s. 105
96

Burada;
olmaktadır; 239
t
∆ = Fark alma işlemcisi,
d = Fark derecesi,
wt, wt-1…….wt-p = Farkı alınmış seriyi göstermektedir.
Bu durumda ARIMA (p,d,q) modelinin genel ifadesi aşağıdaki gibi
w = φ .... ε −
1 wt−1
+ φ2wt
−2
+ .... + φ pwt
− p + ε t −θ
1ε
t−1
−θ
2ε
t−2
− −θ
q t q (2.70)
ARIMA(p,d,q) modelinin orijinal veri cinsinden genel gösterimi
δ ≠ 0 varsayımı ile;
d
d
d
d
∆ yt = δ + γ 1 ∆ yt
−1
+ γ 2∆
yt
−2
+ .. + γ p∆
yt
− p + ε t −θ
1ε
t−1
− .. −θ
qε
t−q
(2.70’)
şeklinde yapılmaktadır. İncelenen yt serisinin durağan olmaması nedeniyle
yapılan (2.69) nolu dönüşüm ile serinin durağanlığı sağlanmakta ve (2.70)’deki
model ile gösterilmektedir.
ARIMA modelleri ile durağan olmayan zaman serilerinin (p,d,q) mertebesi ile
modellenmesi mümkün olmaktadır. Bu aşamada yapılan fark alma işlemi ise durağan
olmayan serilerin durağan hale getirilmesinde dönüşüm aracı olarak
kullanılmaktadır. Uygulamada yaygın kullanılan fark alma mertebelerin d=1 ve d=2
olduğu görülmektedir. Serinin mertebesi belirlendikten sonra modeldeki otoregresif
terim sayısı p ve gecikmeli hata terim sayısı q belirlenmektedir. Sonuçta ARIMA
modelleri, durağan olmayan serilerin durağan olana kadar kaç kere farklarının
alındığını gösteren d mertebesine AR terim sayısı p ve MA terim sayısı q'nun ilave
edilmesi ile belirlenmekte ve her üç değerin seçilmesinin ARIMA modellerinde en
önemli basamak olduğu ifade edilmektedir. 240
239 BİRCAN, H. ve KARAGÖZ, Y., a. g. e., s. 51
240 AKGÜL, I. (a), a. g. e., s. 110
97

2.2.2.4.4. Mevsimsel ARIMA Modelleri
Mevsimselliği modelleme yaklaşımı olarak bilinen “Mevsimsel Box-Jenkins
Yöntemi”nin diğer yöntemlere göre üstünlüğünün mevsimselliği modelde
tanımlaması olduğu vurgulanmaktadır. Mevsimsel Box-Jenkins modellerinde amaç,
geçerli bir modelin bulunmasıdır, ayrıca verideki mevsimselliğin davranışı ile de
ilgilenilmektedir. Mevsimsel olmayan seriler için analizin başlangıç noktası kabul
edilen durağanlık, mevsimsel seriler için model oluşturmada da gereklidir.
Mevsimsel özellik taşıyan ve durağan olmayan serilerin durağanlığının sağlanması
için fark alma işlemi aylık verilerde,
∆12 y t = yt
− yt
−12
üçer aylık verilerde,
∆ 4 y t = yt
− yt
−4
olacak şekilde gerçekleştirilmektedir. Serinin mevsimsel bileşeninin zaman
içinde sabit olmadığı görüldüğünde ise, fark alma işlemi uygulamadan serinin
mevsimsel değişmesinin sabit bir seriye dönüştürülmesi gerekmektedir. Bu da
genellikle seri değerlerinin doğal logaritması alınarak yapılmaktadır. 241 Logaritmanın
alınması ile varyans stabilize olmakta ve aykırı gözlemlerin etkileri azalmaktadır. 242
Mevsimsel kalıplar Box-Jenkins modelleri ile yapılacak tahminleri daha da
zorlaştırmaktadır, çünkü dönemler arasındaki kalıplara daha uzun ve belirli
aralıklarla tekrar eden başka bir kalıp eklenmektedir. Mevsimsel bileşeni
tahminlemek için modele mevsimsel parametrelerin dahil edilmesi gerekmektedir.
Mevsimsel olmayan modellerde olduğu gibi bu modeller de otoregresif, hareketli
ortalama veya bunların bileşiminden oluşabilmektedir. 243 İzleyen sayfalarda bu
modeller hakkında bilgi verilmektedir.
241 AKGÜL, I. (a), a. g. e., s. 180
242 FRANSES, P. H. ve McALEER, M., “Cointegration Analysis of Seasonal Time Series”, Journal
of Economic Surveys, Volume: 12, No: 5, 1998, s. 654
243 HANKE, J. E. ve REITSCH, A.G., a. g. e., s. 419
98

2.2.2.4.4.a. Mevsimsel Otoregersif Modeller: SAR(P)
Durağan bir zaman serisinin t - dönemindeki gözlemlerinin, bir önceki yılın
karşı gelen dönemine ait gözlemlerinin artı rassal şokun doğrusal bir fonksiyonu
olarak ifade edildiği durumda sürecin “mevsimsel otoregresif” olduğu ifade
edilmektedir. Mevsimsel zaman serisi için tanımlanan ilişki genel olarak;
y ε
t = Φ1
yt−
s + t
(2.71)
y ε
t − Φ1
yt
−s
= t
(2.71’)
veya geri kaydırma işlemcisi: B kullanılarak,
s
( 1−
Φ1
B ) yt
= ε t
(2.71’’)
olacak şekilde ifade edilmekte ve bu gibi modeller genel olarak;
Φ ( B ) = ε
(2.72)
s
yt
t
olarak gösterilmektedir. Yukarıdaki modeller “Mevsimsel Otoregresif
Modeller” olarak adlandırılmakta, kısaca AR(P)s veya SAR(P) şeklinde ifade
edilmektedir. (2.71) nolu modellerde Ф1; mevsimsel AR parametresini, P; mevsimsel
AR sürecinin mertebesini simgelemektedir. Ayrıca, yt durağan zaman serisini, s
mevsim dönemi sayısını göstermektedir. (2.72) nolu modelde yer alan Ф(B S )
polinomunun açılımı ise;
Φ (
.......
s
s
2s
Ps
B ) = 1−
Φ1
B − Φ 2B
− − Φ P B
(2.73)
olarak yapılmaktadır. 244
2.2.2.4.4.b. Mevsimsel Hareketli Ortalama Modeli: SMA(Q)
Durağan bir zaman serisinin içinde bulunulan (cari) dönemdeki gözlemlerinin
rassal şokun artı s- dönem önceki rassal şokun doğrusal bir fonksiyonu olarak ifade
edilmesi durumunda sürecin “Mevsimsel Hareketli Ortalama” süreci olduğu ifade
244 AKGÜL, I. (a), a. g. e., s. 188
99

edilmektedir. Bu gibi serilerin modellenmesinde de “mevsimsel hareketli ortalama”
modelleri kullanılmaktadır. Mevsimsel zaman serisi için tanımlanan ilişki;
t
ε t − Θ1
t s
(2.74)
y = ε −
veya geri kaydırma işlemcisi: B ile,
s
yt ( 1 1B
) ε t Θ −
= (2.74’)
şeklinde ifade edilmekte ve bu modeller genel olarak,
= ( )
(2.75)
s
yt Θ B ε t
olarak gösterilmekte, kısaca MA(Q)s veya SMA(Q) şeklinde ifade
edilmektedir. Modellerde ε t “white noise” süreci özelliğini taşıyan hata terimini, Q
mevsimsel hareketli ortalama sürecinin mertebesini, Θi mevsimsel MA
s
parametrelerini simgelemektedir. (2.75) nolu denklemdeki Θ ( B ) polinomunun
açılımı ise;
Θ (
.....
s
s
2s
Ps
B ) = 1−
Θ1
B − Θ 2B
− − Θ P B
(2.76)
olarak gösterilmektedir. 245
2.2.2.4.4.c. Mevsimsel ARMA Modelleri: SARMA(P,Q)
Mevsimsel zaman serilerinin hem “mevsimsel AR” ve hem de “mevsimsel
MA” süreçlerinin etkisini taşıdığı saptanması durumunda,
t
1 s yt
−s
+ φ2s
yt
−2s
+ ... + φPs
yt
−Ps
+ ε t −θ
1sε
t−s
−θ
2sε
t−2
s −θ
Qs t Qs (2.77)
y = φ ... ε −
t
veya
1 yt
−s
+ Φ 2 yt
−2s
+ ... + Φ P yt
−Ps
+ ε t − Θ1ε
t−s
− Θ 2ε
t−2
s...
− Θ Q t Qs (2.77’)
y = Φ
ε −
245 AKGÜL, I. (a), a. g. e., s. 193
100

şeklinde oluşturulan modeller “Mevsimsel Otoregresif Hareketli Ortalama”
modeli olarak adlandırılmakta ve SARMA(P,Q) veya ARMA(P,Q)s olarak
gösterilmektedir. 246 Mevsimsel zaman serisi için (2.77) ve (2.77’) nolu denklemlerde
tanımlanan ilişki geri kaydırma işlemcisi ile;
( 1−
φ 2 ... ) ( 1
... )
( 1
− Φ
s
2s
Ps
s
2s
Qs
1s
B −φ
sB −φ
Ps B yt
= −θ
1s
B −θ
2s
B − −θ
QsB
ε t
veya kısaca
...
)
( 1
s
2s
Ps
s
2s
Qs
1B
− Φ 2B
− Φ P B yt
= − Θ1B
− Θ 2B
− − ΘQ
B ε t
Φ ( ) Θ ( )
(2.78)
s
s
P B yt
= Q B ε t
...
)
101
s
s
olacak şekilde ifade edilmektedir. (2.74) nolu modelde Φ ( ) ve Θ ( ) ,
P ve Q mertebelerinde
P B
Q B
s
B ’nin polinomlarını simgelemektedir. P, mevsimsel AR
sürecinin mertebesini, Q ise mevsimsel MA sürecinin mertebesini göstermektedir. 247
2.2.2.4.4.d. Mevsimsel ARIMA Modelleri: SARIMA(P,D,Q)
Serilerin mevsim etkisine sahip oldukları saptandığında, uygun modellerin
mevsimselliğin özelliğine bağlı olarak P mertebesinde mevsimsel AR modeli, Q
mertebesinde mevsimsel MA modeli veya P ve Q mertebelerinde mevsimsel ARMA
modelleri olarak tanımlandıklarına değinilmişti. Ayrıca anılan tüm modellerin yt’nin
ancak “durağan” seri olması durumunda uygun olduğu vurgulanmıştı. Mevsimsel
zaman serilerinin hem “Mevsimsel AR” hem de “Mevsimsel MA” süreçlerinin
etkisini taşıdığı saptanması, ancak serinin durağanlık özelliklerini taşımaması
durumunda ise yukarıda bahsedilen hiçbir modelin uygun olmayacağı, bu durumda P
ve Q mertebelerinde “Mevsimsel Otoregresif Entegre Hareketli Ortalama” modelinin
uygun olacağı ifade edilmektedir. Bu gibi seriler için, başka bir deyişle durağan
olmayan zaman serisinin mevsimsel AR ve mevsimsel MA süreçlerine sahip olması
246
Model tanımlamasında mevsimsel AR parametreleri φ1s , φ2s
.. veya 1,Φ 2
mevsimsel MA model parametreleri θ1s , θ 2s
.. veya 2
247 AKGÜL, I. (a), a. g. e., s. 197
Φ olarak simgelenirken,
Θ1,Θ olarak simgelenmektedir.

durumunda oluşturulan modeller, SARIMA(P,D,Q) veya ARIMA(P,D,Q)s olarak
gösterilmektedir.
P,D,Q mertebelerinde mevsimsel ARIMA modeli, geri kaydırma işlemcisi ile,
Φ ( ) Θ ( )
(2.79)
s D
s
P B ∆ s yt
= Q B ε t
olacak şekilde ifade edilmektedir. (2.79) no’lu modelde ∆s mevsimsel fark
işlemcisini, s mevsim dönemlerini göstermekte olup üçer aylık veriler için s = 4,
aylık veriler için s = 12 olarak alınmaktadır. ∆ d işlemcisi, serinin d-kere mevsimsel
olmayan farkının alındığını, ∆ D işlemcisi ise D-kere mevsimsel farkının alındığını
göstermektedir. Tüm işlemciler ile yapılan dönüşümler sonrasında serinin
durağanlığı sağlanmakta ve durağan olmayan seri,
102
D
∆ s ile simgelenen fark alma
işlemleri sonrasında durağan seri olarak ifade edilmektedir. Yt durağan olmayan
seridir ve P mevsimsel AR sürecinin mertebesini, Q mevsimsel MA sürecinin
s
s
mertebesini simgelemektedir. Modeldeki Φ ( ) ve Θ ( ) ise P ve Q
mertebelerinde
s
B ’nin polinomlarıdır.
P B
Durağan olmayan yt serisi için mevsimsel ARIMA modeli,
θ ( B )
ε
φ(
B )
Q B
s
D
∆ s = s t
(2.80 ’ )
veya,
Φ ( B )
s
D
∆ s yt P
= ε s t
ΘQ
( B )
(2.80 ’’ )
olacak şekilde gösterilebilir. Bu durumda (2.80 ’ ) nolu modelde θ (B)
ve
φ (B)
, (2.80 ’’ ) nolu modelde Φ (B)
ve Θ (B)
polinomları için uygun gösterimler,
model belirleme yöntemleri kullanılarak elde edilmektedirler. Mevsimsel
ARIMA(P,D,Q) modelinin genel açılımı ise (2.80 ’ ) nolu model için;

Qs
( 1−
θ B −θ
B − ... −θ
qs B )
B ε Ps t
− ... −φ
B )
s
2s
s D
1s
2s
( 1−
) yt
=
s
2s
( 1−
φ1s
B −φ
2s
B
(2.80 ’’ ) numaralı model için ise,
Qs
( 1−
Θ B − Θ B − ... − Θ q B )
B ε Ps t
− ... − Φ B )
s
2s
s D
1
2
( 1−
) yt
=
s
2s
( 1−
Φ1B
− Φ 2B
ps
p
103
olarak yapılmaktadır. Modellerde yer alan θ qs ve Θ q mevsimsel MA
parametrelerini, φ ps ve Φ p mevsimsel AR parametrelerini simgelemektedir. 248
2.2.2.4.5. Box-Jenkins Yönteminin Uygulama Aşamaları
Box-Jenkins yöntemi ile model kurma stratejisi “cimrilik 249 (tutumluluk)
prensibine dayanmaktadır. Bu prensip “verilerin özelliklerini yeterli olarak yansıtan
bir model için mümkün olan en az parametrenin kullanılması” olarak ifade
edilmektedir. İlave her parametre uyumu artırmasının yanında serbestlik derecesini
düşürme maliyeti de dikkate alınmalıdır. Box ve Jenkins, tutumlu modellerin aşırı
parametreli modellerden daha iyi öngörüler ürettiklerini ileri sürmüşler, ayrıca
önerdikleri stratejinin herhangi bir optimallik kriterine dayanmadığını, pratik bir
yöntem olduğunu ileri sürmüşlerdir. 250
Box-Jenkins yöntemi, tüm model kombinasyonları arasından uygun bir
modeli belirlemek için dört basamaktan oluşan tekrarlamalı bir yaklaşım
kullanmaktadır. Bu basamaklar sırasıyla; belirleme, parametre tahminleri, uygunluk
testleri ve ileriye yönelik öngörü aşamalarıdır Belirlenen model yeterli değilse, süreç
orijinal modeli geliştirmek için oluşturulan diğer bir model kullanılarak tekrarlanır.
Bu süreç tatmin edici bir model elde edilene kadar tekrar edilir. 251 Şekil 2.1., Box-
Jenkins yöntemi ile çözümleme sürecinin aşamalarını göstermektedir.
248 AKGÜL, I. (a), a. g. e., s. 200
249 Cimrilik, “Parsimony” karşılığı olarak kullanılmıştır.
250 SEVÜKTEKİN, M. ve NARGELEÇEKENLER, M., a. g. e., s. 164
251 HANKE, J. E. ve REITSCH, A.G., a. g. e., s. 381

Şekil 2.1. Box-Jenkins Yönteminin Uygulama Aşamaları
Kaynak: Hanke ve Reitsch, 1992: 382
2.2.2.4.5.a. Belirleme
Uygun Model Grubunun
Belirlenmesi
Öneri Niteliğinde bir Modelin
Belirlenmesi
Belirlenen Modelin
Parametrelerinin Tahmin
Edilmesi
Modelin Uygunluğunun Test
Edilmesi
Modelin Öngörü Amacıyla
Kullanılması
Belirleme, model kurmanın anahtarı durumundadır ve ARIMA sürecinin
p,d,q mertebelerinin belirlenmesini kapsamaktadır. Model kurulması aşamasındaki
en zor adım belirlemedir. Mekanik olarak belirlenmesi mümkün olmayan bu
aşamada araştırmacıların kararı önem kazanmaktadır. Belirleme aşamasında önce
seriye ait durağanlık ve mevsimsellik analizi uygulanır. Seriye ait oto korelasyon
fonksiyonu (OKF) ve kısmi oto korelasyon fonksiyonuna (KOKF) bakılarak serinin
durağan olup olmadığı incelenebilir. Oto korelasyon fonksiyonu, serinin tesadüfi
veya durağan olup olmadığının ortaya çıkarılması ve durağan değilse hangi düzeyde
durağanlaştığının saptanmasında kullanıldığı gibi verilerde mevsim etkisinin ve
uzunluğunun tespit edilmesine de imkan vermektedir. 252 Durağanlık testi için, OKF
252 ORHUNBİLGE, N. (a), a. g. e., s. 193 - 136
104

ve KOKF yanında Dickey-Fuller (DF), Genişletilmiş Dickey-Fuller (ADF) veya
Phillips-Perron testlerine de başvurulabilir. Şayet seri durağan değilse suni oto
korelasyonlar model belirlemeye engel olmaktadır. Bu nedenle hangi düzeyde uygun
ise farklar alınır ve seri durağan hale getirilir. Daha sonra, yine belirleme aşamasında
durağan serinin OKF ve KOKF’nun biçimlerine bakarak, p ve q dereceleri
belirlenebilir. OKF üstel azalıyorsa ve KOKF’de p gecikmelerine ait önemli
çıkıntı(lar) görülüyorsa, model AR(p) olacaktır. OKF’de q gecikmelerine ait önemli
çıkıntı(lar) var ise ve KOKF üstel azalıyorsa model MA(q) olacaktır. Hem OKF hem
de KOKF üstel olarak azalıyorsa, model ARMA(p,q) olarak belirlenecektir. Üstel
azalma, fonksiyonun yaklaşık olarak sıfır olmayan değerlerle üssel, geometrik yada
sinüssel olarak azalışını ifade eder. 253
Durağan modeller için oto korelasyon ve kısmi oto korelasyon
fonksiyonlarının teorik davranışları Tablo 2.1.’de gösterilmektedir.
Tablo 2.1. Durağan Box-Jenkins Modellerinde OKF ve KOKF’larının Seyri
Model Otokorelasyon Fonksiyonu
AR(p) q-gecikme sonrası keser
MA(q)
ARMA(p,q)
Kaynak: Akgül, 2003: 120
Üstel olarak veya sinüs dalgaları
şeklinde azalır
Üstel olarak veya sinüs dalgaları
şeklinde azalır. p-gecikme sonrası
keser
Kısmi Otokorelasyon
Fonksiyonu
Üstel olarak veya sinüs dalgaları
şeklinde azalır
p-gecikme sonrası keser
Üstel olarak veya sinüs dalgaları
şeklinde azalır. q-gecikme sonrası
keser
Uygulamada OKF ve KOKF gecikme sayısı, seriye ait kullanılabilir gözlemin
1 veya 1 olarak alınır. %95 güven aralığının ±1,96 ( 1 ) dışında kalan veya
3 4
n
253 MONTGOMERY, D., JOHNSON, L. ve GARDINER, J., Forecasting and Time Series Analysis,
McGraw-Hill International Editions, New York, 1990, s. 260’dan aktaran BİLGİLİ, F., “VAR,
ARIMA, Üstel Düzleme, Karma ve İlave-Faktör Yöntemlerinin Özel Tüketim Harcamalarına ait
Ex post Öngörü Başarılarının Karşılaştırılması”, Dokuz Eylül Üniversitesi, İ.İ.B.F. Dergisi, Cilt:
17, Sayı:1, 2002, s. 194
105

mutlak değer içerisinde iki standart hatadan büyük olan oto korelasyon katsayıları
( ρˆ k ) ve kısmi oto korelasyon katsayıları ( ρˆ kk ), p ve q derecelerini belirleyecektir. 254
p ve/veya q gecikmelerinin büyümesi, tahmin edilen hataların karelerinin toplamını
azaltmaktadır. Ancak, böyle gecikmelerin eklenmesi ilave katsayıların tahmin
edilmesini ve bununla ilgili olarak serbestlik derecesinin azalmasını gerektirir.
Ayrıca gereğinden fazla katsayının modele dahil edilmesi, seçilen modelin tahmin
etkinliğini azaltacaktır. Daha az gecikmeli bir model için hata karelerinin toplamını
dikkate alan çeşitli model seçim kriterleri kullanılmaktadır. En yaygın kullanılan
model seçim kriterleri “Akaike Bilgi Kriteri” (Akaike Information Criterion – AIC)
ve “Schwartz Bayes Kriteri” (Schwartz Bayesian Criterion – SBC) dir. 255 AIC ve
SBC istatistikleri, değişik kaynaklarda farklı olarak ifade edilmekle birlikte, hata
karelerinin toplamına bağlı olarak;
AIC = nλ
( SSE)
+ 2r
(2.81)
SBC = nλ
( SSE)
+ r ln( n)
(2.82)
olarak tanımlanırlar. Burada; SSE modelden elde edilen artıkların (hataların)
kareleri toplamı, r ise tahmin edilen parametrelerin sayısıdır. Gerek AIC ve gerekse
SBC negatif değerler alabilir ve bunlardan (AIC veya SBC istatistiklerinden birisi)
en küçük değeri veren p ve q değerleri model dereceleri olarak seçilir. Bir çok
istatistiksel paket programı bu istatistiklerin aldıkları değerleri hesaplamaktadır.
Model seçiminde kullanılan bir başka kriter ise “En Son Kestirim Hatası (Final
Prediction Error)” olarak bilinen FPE istatistiğidir ve yine FPE istatistiğini en küçük
yapan değer model derecesi olarak alınır. Ancak bu istatistik, otoregresif (AR) seriler
için geçerli olup uygulamada çok kullanılmamaktadır. 256
2.2.2.4.5.b. Model Parametrelerinin Tahmini
p, d, ve q mertebelerine uygun deneme niteliğindeki model veya modeller
belirlendikten sonra model parametrelerinin en iyi; yani sapmasız, tutarlı ve etkin
254 BİLGİLİ, F., a. g. e., s. 194
255 AKMUT, Ö., AKTAŞ, R. ve BİNAY, H.S., a. g. e., s. 178
106

tahminlerinin hesaplanması gerekmektedir. İstatistikte başlıca tahmin ediciler olarak;
“En Küçük Kareler Tahmin Edicileri (Ordinary Least Squares Estimators)”; “En Çok
Olabilirlik Tahmin Edicileri (Maximum Likelihood Estimators)”; Momentler Tahmin
Edicileri (Method Of Moments Estimators)” ve “Bayes Tahmin Edicileri (Bayesian
Estimators)” kullanılmaktadır. 257 Tahminin “En Küçük Kareler” (EKK) yöntemi ile
yapılması durumunda hata terimlerinde görülen oto korelasyon etkisi nedeniyle,
etkin olamayan ve çok büyük varyansa sahip olan parametre tahminleri elde
edileceğinden parametrelerin “Doğrusal Olmayan EKK” yöntemi ile tahmin edilmesi
uygun olmaktadır. Hata terimleri normal dağılıma sahip olduğunda tahmin yöntemi
olarak “En Çok Olabilirlik” yöntemi de kullanılmaktadır. Tahmin işlemi genellikle
paket programlar yardımı ile yapılmaktadır. Parametrelerin son nokta tahminlerini
elde etmek için çeşitli yaklaşımlar kullanılmakta ve sonuç olarak “en küçük hata
kareleri toplamı”na sahip tahmin seçilmektedir. Hesaplama algoritması tekrarlı bir
süreç olduğundan, tahminlere ait başlangıç değerlerinin verilmesi gerekmektedir. Bu
nedenle tahmin basamağında ilk olarak “deneme” niteliğindeki modelin
parametreleri için “başlangıç” değerleri hesaplanmakta, daha sonra paket programlar
yardımı ile tekrarlı yöntemle son tahminler elde edilmektedir. 258
2.2.2.4.5.c. Modelin Uygunluğunun Test Edilmesi
Uygunluk testleri (Diagnostic Tests), örnek içi öngörü hatalarının oto
korelasyonlarını kullanarak, belirleme ve parametre tahmini aşamaları sonucunda
seçilen modelin seri için uygun olup olmadığını ortaya koymak amacıyla
yapılmaktadır. 259 Bu aşama, kalıntı terimleri kontrol edilerek t = yt
− yt
107
e ˆ
değerlerinin rassal (beyaz gürültü) olduğundan ve kalıntı terimlerinin oto korelasyon
katsayılarının anlamlı bir şekilde sıfırdan farklı olmadıklarından emin olmak için
yapılır. Şayet düşük derecelerden yada mevsimsel gecikmelerden birkaçı anlamlı bir
şekilde sıfırdan farklı ise, seçilen modelin uygun olmadığına karar verilir. Bu
256
AKDİ, Y., a. g. e., s. 184 -185
257
AKDİ, Y., a. g. e., s. 115
258
AKGÜL, I. (a), a. g. e., s. 122 - 123
259
AKMUT, Ö., AKTAŞ, R. ve BİNAY, H.S., a. g. e., s. 183

durumda çözümleme sürecinin birinci aşamasına geri dönülmeli ve alternatif bir
model seçilerek analize devam edilmelidir. 260
Modelin uygunluğu, kalıntı değerlerinin (residuals) oto korelasyonları
2
üzerinde uygulanan ve Box-Pierce’in Q istatistiği olarak da bilinen ki-kare ( χ ) testi
ile de kontrol edilebilir. K-p-q serbestlik derecesi ile yaklaşık olarak ki-kare
dağılımına uyan Q istatistiği aşağıdaki şekilde hesaplanır:
K
∑ k
k=
1
2
Q = ( N − d)
r
(2.83)
Bu eşitlikte;
N = serideki gözlem sayısı,
k = test edilecek birinci oto korelasyon,
K = test edilecek oto korelasyon sayısı,
r = k’ıncı kalıntı teriminin örnek oto korelasyon fonksiyonu,
k
d = serinin durağanlaştığı fark alma derecesidir.
Hesaplanan Q değeri, k-p-q serbestlik derecesi için
model uygun değildir. 261
Ljung ve Box tarafından tanıtılan Q * test istatistiği ise,
108
2
χ değerinden büyükse,
2
χ dağılımının gözlem
sayısının 100’den küçük olması, yani N

Q
*
K
2
N(
N + 2)
∑ rk
k=
1
2
=
~ χ ( K − p − q)
(2.84)
( N − k)
formülü ile hesaplanmaktadır. Formülde k = 1,2,….K gecikme uzunluğunu
veya kullanılan oto korelasyon sayısını, N durağan serinin gözlem sayısını
göstermektedir. Q * istatistiği de Q istatistiği gibi, hata terimleri arasındaki serisel
2
korelasyonu ölçmekte olup H0 hipotezi altında (K-p-q) serbestlik derecesi ile χ
dağılımına sahiptir. Q * < 2
χ olması halinde OKK’larının sıfır olduğunu vurgulayan
sıfır hipotezi reddedilmeyecek, Q * > 2
χ olması halinde ise, OKK’larının sıfır
olduğunu vurgulayan sıfır hipotezi reddedilecek ve artıkların “white noise - beyaz
gürültü” özelliği taşımadığı, bu nedenle de modelin yanlışlığına karar verilecektir. 262
Birden çok sayıda deneme niteliğindeki model söz konusu olduğunda, birden
fazla modelin “iyi model” olarak kabul edilmesi mümkün olacağından, bu aşamada
“en iyi model”in seçilmesi problemi ile karşılaşılmaktadır. Bu durumda “uygunluk
testleri” sonucunda başarılı bulunan modellerin değerlendirilmesi ve “en iyi
model”in belirlenmesi amacıyla çeşitli istatistiklerden yararlanılmaktadır. Söz
konusu istatistikler hakkında ayrıntılı bilgi, izleyen sayfalarda “Öngörü
Doğruluğunun Ölçümü” başlığı altında verilmiştir.
2.2.2.4.5.d. İleriye Yönelik Öngörü
Seri için oluşturulan modelin, tahmin edilip kontrol amaçlı testlerden
geçmesinden sonra ileriye yönelik öngörü amacıyla kullanılabileceği ifade
edilmektedir. Bu aşamada öngörü, modelin parametrelerinin doğru olarak
belirlendiği varsayılarak yapılmaktadır. Uygulamada elde edilen model gözlenen
verileri üreten süreç değildir, daha ziyade bu sürece bir yaklaşımdır ve hem belirleme
hem de parametre tahmininde hatalara açıktır. Öngörü başarısı, seçilen modelin
uygunluğuna; dolayısıyla belirleme ve tahmin aşamalarındaki başarıya bağlıdır. 263
Şayet seri zaman içerisinde değişim gösterirse, model parametrelerinin yeniden
262 AKGÜL, I. (a), a. g. e., s. 133
263 AKMUT, Ö., AKTAŞ, R. ve BİNAY, H.S., a. g. e., s. 184
109

hesaplanması veya tamamen yeni bir modelin geliştirilmesi gerekebilir. Öngörü
hatalarında küçük farkların ortaya çıkması, model parametrelerinin yeniden
hesaplanması gerektiğini gösterebilir ve bu durumda araştırmacı ikinci aşamaya geri
dönmelidir. Öngörü hatalarında büyük farkların ortaya çıkması, tamamıyla yeni bir
modelin geliştirilmesi gerekebilir. Bu durumda araştırmacının ikinci ve hatta birinci
aşamaya dönmesi ve seriye uygun yeni bir model elde edene kadar süreci
tekrarlaması gerekmektedir. 264
2.2.3. Öngörü Doğruluğunun Ölçümü
Çeşitli tahmin modelleri arasından birini seçme sürecinde yaygın kabul gören
kriterlerden birisi de, modelin verilere iyi uyum göstermesi yani modelin öngörü
başarısının yüksek olmasıdır. Örneğin iki ARIMA modelinin faydası ve geçerliliği
eşit olduğunda, iki modelin tahmin başarıları karşılaştırılmakta ve daha iyi öngörü
doğruluğu sağlayan model tercih edilmektedir. Bu bağlamda modellerin öngörü
doğruluklarının karşılaştırılması amacı ile çeşitli istatistikler kullanılmaktadır. 265
Öngörünün doğruluk testi için, öngörü dönemine ait gözlem değerleri bilinmiyormuş
gibi gözlem dışı bırakılır ve tahmin edilen modele dayanılarak bu dönemler için
değişkenlerin alacağı değerler öngörülür. Bu öngörü değerleri ile mevcut olan gerçek
değerler arasındaki farklar, yani öngörü hataları (kalıntılar–residuals), bazı
formüllerle modellerin öngörü doğruluğunu karşılaştırmaya yardımcı olabilecek
şekilde standartlaştırılır. 266 Modellerin öngörü doğruluğunun ölçümünde kullanılan
istatistikler; Ortalama Kare Hata (Mean Squared Error - MSE), Kök Ortalama Kare
Hata (Root Mean Squared Error - RMSE), Ortalama Mutlak Hata (Mean Absolute
Error - MAE), Ortalama Yüzde Hata (Mean Percentage Error – MPE), Ortalama
Mutlak Yüzde Hata (Mean Absolute Percentage Error - MAPE) ve Theil-U istatistiği
olarak sıralanabilir. 267
264
HANKE, J. E. ve REITSCH, A.G., a. g. e., s. 392
265
AKGÜL, I. (a), a. g. e., s. 136 ve 145
266
AKAL, M., “Optimum Öngörü Tekniğinin Seçimi”,
http://www.sakarya.edu.tr/~hgurak/yazilar/makale/ONGOM.doc (İndirilme Tarihi: 20.10.2005)
267
DE LURGIO, S. A., a. g. e., s. 51-56, MAKRIDAKIS, S.ve WHEELWRIGHT, S. C., a. g. e., s.58-
59, HANKE, J. E. ve REITSCH, A.G., a. g. e., s. 112-115, ARMUTLULU, İ. H., a. g. e., s. 338,
SONG, H. ve WITT S.F. (a), a.g.e., s. 168
110

e = y − yˆ
t
t
t
y t = t döneminde gerçekleşen değer,
yˆ t = t dönemi için hesaplanan öngörü değeri,
n = öngörülen dönem sayısı,
e = t dönemindeki öngörü hatasını göstermek üzere;
t
n
∑
=1
e
t
MSE =
n
RMSE =
MAE =
MPE =
n
∑
t=1
2
t
n
∑
t=1
n
e
n
t
et
y
n
n
∑
t=1 t
n
∑
=
e
2
t
t 1 yt
MAPE = 100(%)
n
e
t
(2.85)
(2.86)
(2.87)
(2.88)
(2.89)
Ele alınan bütün istatistiklerde arzu edilen sonuç, en küçük değere sahip
MSE, RMSE, MAE, MPE ve MAPE istatistiklerine sahip tahmin modelini
oluşturmaktır. Ancak hangi istatistiğin kullanılması gerektiği konusunda belirli bazı
kriterler takip edilmektedir. Hata değerlerinin büyüklükleri benzer ise “Ortalama
Kare Hata” (MSE) kullanılabilir. Ancak örneğin, tahmin sonrası bir ya da birden
fazla ortalamanın üzerinde büyük hata(lar) elde edilmiş ise, fazla uygun olmayabilir.
111

MSE istatistiği, hataların karelerini aldığı için büyük sapmaların olması durumunda
abartılı sonuçlar vermektedir. Bu istatistiğin yerine bu durumda, “Ortalama Mutlak
Hata” (MAE) kullanılabilir. 268 Bazen bir tahmin yönteminin yansız olup olmadığının
belirlenmesi gerekebilir. Modelden hesaplanan değerler, gerçekleşen değerlerin
altında veya üstünde çıkıyorsa yansızlık gerçekleşmez. Bu gibi durumlarda
“Ortalama Yüzde Hata”(MPE) kullanılmaktadır. 269 Hata değerlerinin birim değerleri
farklılık gösteriyorsa, örneğin bir tahmin modeli gerçek değerleri kullanıyor iken bir
başka tahmin modeli doğal logaritması alınmış değerleri kullanıyorsa,
yararlanılabilecek istatistik “Ortalama Mutlak Yüzde Hata” (MAPE)’dır. MAPE
istatistiği, farklı birim değerlere sahip modellerin karşılaştırılmasında ortaya
çıkabilecek dezavantajları elimine etmektedir. 270
Sayılan kriterler arasında“Ortalama Mutlak Yüzde Hata” (MAPE)’nın öngörü
hatalarını yüzde olarak ifade etmesi nedeni ile tek başına da bir anlamının olması,
diğer kriterlere göre üstünlüğü olarak kabul edilmektedir. 271 Witt ve Witt, MAPE
değerleri % 10’un altında olan tahmin modellerini “yüksek doğruluk” derecesine
sahip, % 10 ile % 20 arasında olan modelleri ise doğru tahmin modelleri olarak
sınıflandırmıştır. 272 Benzer şekilde Lewis, MAPE değeri %10’un altında 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 hatalı” olarak sınıflandırmıştır. 273
Doğruluk ölçülerinin dışında, öngörü doğruluklarının karşılaştırılmasına
yönelik bazı istatistiksel testler de ortaya konulmuştur. Bunlardan birisi Henry Theil
tarafından geliştirilmiş olan “Theil’s U (Theil’s Inequality Coefficient)” istatistiğidir.
Theil’s U istatistiği, daha kompleks bir tahmin modeli ile mekanik tahmin modelinin
268 BİLGİLİ, F., a. g. e., s. 60
269 HANKE, J. E. ve REITSCH, A.G., a. g. e., s. 114
270 GAYNOR, E. P. ve KIRKPATRICK R., Time Series Modeling and Forecasting in Business and
Economics, McGravv Hill Inc., New York, International Editions, 1994, s. 13
271 AKGÜL, I. (a), a. g. e., s. 138
272
WITT, S. F. ve WITT C. (a), Modeling and Forecasting Demand in Tourism, Academic Press:
London, 1992, s. 137
273
LEWIS. C. D., Industrial and Business Forecasting Methods, Butterworths Publishing: London,
1982, s. 40
112

(Naive) öngörü başarılarının karşılaştırılmasına imkan vermektedir. Theil’s U
istatistiği, (2.90) nolu eşitlikteki gibi tanımlanmaktadır.
U =
Burada;
n−1
∑
y − y
t+1
y
t+1
başarılıdır.
t
yˆ − y
y
t
⎛ yˆ
t+
1 − yt
yt
+ 1 − yt
⎞
⎜ −
⎟
⎝ yt
y ⎠
t= 1
t
n−1
2
t
t
∑
⎛ yt
+ 1 − yt
⎞
⎜
⎟
⎝ y ⎠
t= 1 t
2
=
n−1
∑
t= 1 t
n−1
∑
⎛ yˆ
t+
1 − y
⎜
⎝ y
t= 1 t
t+
1
⎞
⎟
⎠
2
⎛ yt
+ 1 − yt
⎞
⎜
⎟
⎝ y ⎠
= t+1 anında gerçekleşen nispi değişim,
= t+1 anındaki tahmini nispi değişimdir.
2
(2.90)
U=1 ise, mekanik model, uygulanmakta olan tahmin yöntemi kadar
U< 1 ise, uygulanan yöntem mekanik modelden daha başarılıdır.
U>1 ise, mekanik model uygulanmakta olan tahmin yönteminden daha iyi
sonuçlar vermektedir. 274
Lindberg ise, U istatistiğinin “0,55” ve altında bir değer almasının, uygulanan
tahmin modelinin çok iyi olduğu anlamına geldiğini ifade etmiştir. 275
Literatürde yukarıda ele alınan istatistiklerin dışında başka istatistiklerin de
kullanıldığı görülmektedir. Örneğin, Özmucur 276 “Theil-m istatistiği”, Daniel ve
Terrell 277 “İzleme Sinyalleri (Following Signals)”, Fretchling 278 “Yön Değişimi
274 ÖZMUCUR, S., a. g. e., s. 33
275 LINDBERG B., “International Comparison of Growth in Demand for a New Durable Consumer
Product”, Journal of Marketing Research, 1982’den aktaran BİLGİLİ F., a. g. e., s. 206
276 ÖZMUCUR, S., a. g. e. , s. 33
277 DANIEL W. ve TERREL J. C., Business Statistics for Management and Economics, Houghton
Mifflin Company, Boston, 1995, s. 838
278 FRETCHLING, D. C. (b), a. g. e., s. 33
113

Hatası (Directional Change Error)”, Witt ve Witt 279 “Dönüm Noktası - Trend
Değişim Hatası (Turning Point – Trend Change Error)” gibi farklı kriterleri de göz
önüne almışlardır. 280
Yapılan literatür araştırması neticesinde; turizm talebinin tahmini ile ilgili
çalışmalarda en fazla kullanılan doğruluk ölçümü istatistiklerinin MAPE ve RMSE
olduğu görülmektedir. Li, doktora tezinde incelediği 155 çalışmanın 127’sinde
MAPE, 91’inde ise RMSE istatistiklerinin, tahmin modellerinin performanslarının
değerlendirilmesinde kullanıldığını belirtmiştir. 281 Benzer şekilde Song ve Witt ile
Song ve Turner’de turizm talebi tahmin modellerinin performanslarının
değerlendirilmesinde en fazla kullanılan kriterlerin, MAPE ve RMSE istatistikleri
olduğunu belirtmişlerdir. 282
2.3. Yapay Sinir Ağları
İleriye yönelik tahmin çalışmalarında geleneksel tahmin yöntemlerine
alternatif olarak kullanılan yöntemlerden biri de yapay sinir ağlarıdır. 283 Yapay sinir
ağları; insan beyninin özelliklerinden olan öğrenme yolu ile yeni bilgiler türetebilme,
yeni bilgiler oluşturabilme ve keşfedebilme gibi yetenekleri herhangi bir yardım
almadan otomatik olarak gerçekleştirmek amacı ile geliştirilen bilgisayar
sistemleridir. Bu yetenekleri geleneksel programlama yöntemleri ile gerçekleştirmek
oldukça zor veya mümkün değildir. Bu nedenle yapay sinir ağlarının,
programlanması çok zor veya mümkün olmayan olaylar için geliştirilmiş adaptif
bilgi işleme ile ilgilenen bir bilgisayar bilim dalı olduğu söylenebilir. 284 Diğer bir
tanıma göre yapay sinir ağları; insan beyninden esinlenerek geliştirilmiş, ağırlıklı
279 WITT, S. F. ve WITT, C. (b), “Tourism forecasting: Error Magnitude, Direction Of Change Error,
And Trend Change Error”, Journal of Travel Research, No. 2 (fall), 1991, s.27
280 Yön Değişimi Hatası ve Trend Değişimi Hatası hakkında ayrıntılı bilgi için bkz; WITT, S. F.,
WITT, C. (b), a. g. e., s. 27-29
281 Lİ, G., Tourism Forecasting – An Almost Ideal Demand System Approach, Unpublished PhD.
Thesis, University of Surrey, 2004
282 SONG, H. ve TURNER, L., Tourism Demand Forecasting, Latrobe University, School of
Business Seminar, Victoria, 2004, s. 11, SONG, H., WITT, S. F., a.g.e., s. 161
283 ZHANG, G., PATUWO, G. E. ve HU, M. Y., “Forecasting with Artificial Neural Networks: The
State of The Arts”, International Journal of Forecasting, Volume: 4, No: 1, 1998, s. 35
284 ÖZTEMEL, E., Yapay Sinir Ağları, Papatya Yayıncılık, İstanbul, 2003, s. 29
114

ağlantılar aracılığıyla birbirine bağlanan ve her biri kendi belleğine sahip işlem
elemanlarından oluşan paralel ve dağıtılmış bilgi işleme yapıları; bir başka deyişle,
biyolojik sinir ağlarını taklit eden bilgisayar programlarıdır. 285
Yapılan tanımların bazı ortak noktaları bulunmaktadır. Bunların en başında
yapay sinir ağlarının birbirine hiyerarşik olarak bağlı ve paralel çalışabilen yapay
sinir hücrelerinden oluşmaları gelmektedir. Proses elemanları da denilen bu
hücrelerin birbirlerine bağlandıkları ve her bağlantının bir değerinin olduğu kabul
edilmektedir. Bilginin öğrenme yolu ile elde edildiği ve proses elemanlarının
bağlantı değerlerinde saklandığı, dolayısıyla dağıtık bir hafızanın söz konusu olduğu
da ortak noktalardan birisini oluşturmaktadır. Proses elemanlarının birbirleri ile
bağlanmaları sonucunda oluşan ağa yapay sinir ağı adı verilmektedir. Bir ağın
oluşturulması, biyolojik sinir sistemi ve sinir hücreleri üzerindeki bulgulara
dayanmaktadır. 286 Biyolojik ve yapay sinir hücreleri hakkında bilgi, izleyen
bölümlerde verilmiştir.
2.3.1. Biyolojik Sinir Hücreleri
Biyolojik sinir ağlarının temel elemanları, biyolojik sinir hücreleridir. İnsan
beyninin korteks kısmında yer alan sinir hücresi sayısı yaklaşık olarak 10 11 olup her
hücre sayısı, 1000-10000 arasında değişen başka hücrelerle karşılıklı ilişki
içerisindedir. Şekil 2.2.’de görüldüğü gibi, bir sinir hücresinin temel elemanları hücre
gövdesi, dendrit ve akson’dur. Sinir hücresine diğer sinir hücrelerinden gelen
uyarımlar, dendritler aracılığıyla hücre gövdesine taşınır ve hücre içi
aktivasyonun/kararlılık halinin bozulmasıyla oluşan bir kimyasal süreç içerisinde
diğer hücrelere aksonlarla iletilir; uyarımların diğer sinir hücrelerine
taşınabilmesinde akson uçları ile dendritler arasındaki sinaptik boşluklar (sinaps) rol
oynar. Sinaptik boşluk içinde yer alan “sinaptik kesecikler”, gelen uyarımların diğer
hücrelere dendritler aracılığıyla geçmesini koşullayan elemanlardır. Sinaptik boşluğa,
“sinaptik kesecikler” tarafından sağlanan nöro-iletken maddenin dolması uyarımların
285 ELMAS, Ç., Yapay Sinir Ağları (Kuram, Mimari, Eğitim, Uygulama), Seçkin Yayıncılık,
Ankara, 2003, s. 23
286 ÖZTEMEL, E., a. g. e., s. 30
115

diğer hücrelere geçişini koşullar. Hücrelere gelen uyarımlarla uyumlu olarak hücreler
arasındaki mevcut sinaptik ilişkilerin değişimi veya hücreler arasında yeni sinaptik
ilişkilerin kurulması “öğrenme” sürecine karşılık gelir. 287
Şekil 2.2. Biyolojik Sinir Hücresi ve Bileşenleri
2.3.2. Yapay Sinir Hücreleri (Artificial Neurons)
Biyolojik sinir ağlarında olduğu gibi, yapay sinir ağları da, yapay sinir
hücrelerinin ya da diğer adıyla nöronların bir araya gelmesinden oluşmaktadır.
Nöronlar sinir ağlarını oluşturan, tek başına ele alındıklarında çok basit işleve sahip
işlemcilerdir. Bir nöron yapısı içerisinde üç ana bölüm bulunmaktadır. Bunlar
sırasıyla sinapslar, toplayıcı ve aktivasyon fonksiyonudur. Şekil 2.3.’de görüleceği
gibi, nöron girdileri sinaptik bağlantılar üzerindeki ağırlıklar ile çarpılarak bir
toplayıcıya uygulanmakta ve elde edilen toplam, nöronun aktivasyon
fonksiyonundan geçirilerek çıkışlar hesaplanmaktadır. (2.91) denkleminde ağırlıklı
toplamın oluşturulması, (2.92) denkleminde ise, nöron çıkışının hesaplanması
verilmektedir. 288 Yapılan araştırmalarda toplama fonksiyonu olarak değişik
formüllerin kullanıldığı görülmektedir. Bazı durumlarda gelen girdilerin değeri
dikkate alınırken bazı durumlarda ise gelen girdilerin sayısı önemli olabilmektedir.
Bir problem için en uygun toplama fonksiyonunu belirlemek için bulunmuş bir
formül yoktur. Genellikle deneme-yanılma yolu ile toplama fonksiyonu
belirlenmektedir. Ayrıca, bir yapay sinir ağında bulunan nöronların tamamının aynı
287 KOÇ, M., BALAS, C. E. ve ARSLAN, A., “Taş Dolgu Dalgakıranların Yapay Sinir Ağları ile Ön
Tasarımı”, Teknik Dergi, İnşaat Mühendisleri Odası Yayını, Cilt: 15, Sayı: 4, Ekim 2004, s. 3353
288 EFE, Ö. ve KAYNAK, O., Yapay Sinir Ağları ve Uygulamaları, Boğaziçi Üniversitesi Yayınevi,
İstanbul, 2000, s. 6
116

toplama fonksiyonuna sahip olmaları gerekmez. Her nöron bağımsız olarak farklı bir
toplama fonksiyonuna sahip olabilir. 289
Kaynak: Kaynak ve Önder, 2000: 6
S = w
Şekil 2.3. Yapay Sinir Hücresi (Nöron)
n
1 u1
+ w2u
2 + ... + wnu
n − = ∑ wiu
i −θ
i=
1
θ (2.91)
o = ψ(S
)
(2.92)
Her bir girdideki değişim, nöron çıkışında belirli bir değişime neden olmakta
ve bu değişimin genliği, girdinin etki derecesini belirleyen bağlantı kazançlarına,
toplayıcının eşik değerine ve nöron aktivasyon fonksiyonunun tipine bağlı
olmaktadır. Burada S toplama fonksiyonu; wi ile gösterilen kazançlar ağırlık; ui
girişler; θ değeri eşik olarak; O çıkış; Ψ fonksiyonu da nöron aktivasyon fonksiyonu
olarak isimlendirilmektedir. Yukarıdaki denklemlerden de görülebileceği üzere eşik
değerinin girdilerden bağımsız olmasından dolayı bütün girdilerin sıfır olduğu
durumlarda nöron çıkışında Ψ(0) yerine Ψ(θ) değeri gözlenir ki bu da, belirtilen
şartlar altında nöron çıkışının sıfır olması zorunluluğunu ortadan kaldırır. Eşik
289 ÖZTEMEL, E., a. g. e., s. 49
117

değerinin kullanımı, uygulamada +1 veya -1 değerine sahip bir girdinin θ ağırlığına
sahip bir bağlantı ile toplayıcıya girdiği şeklinde ele alınır. 290
Nöron davranışını belirleyen önemli etmenlerden birisi nöronun aktivasyon
fonksiyonudur. Bu fonksiyon, nörona gelen net girdiyi işleyerek nöronun bu girdiye
karşılık üreteceği çıktıyı belirlemektedir. Toplama fonksiyonunda olduğu gibi
aktivasyon fonksiyonu olarak da çıktıyı hesaplamak için değişik formüller
kullanılmaktadır. 291 Kullanılan aktivasyon fonksiyonlarından üçünün matematiksel
ifadeleri aşağıdaki denklemlerde verilmiştir.
Ψ
1
1+
e
1 ( S) =
Sigmoid tipi aktivasyon fonksiyonu (2.93)
−S
S −S
e − e
( S) = = tanh( S)
S S
e + e
Ψ2 −
Ψ (
3 S
⎧0
) = ⎨
⎩1
S ≤ 0
S > 0
Hiperbolik tanjant tipi aktivasyon fonksiyonu (2.94)
Sert geçişli tipte aktivasyon fonksiyonu (2.95)
Uygulamalarda nöron cevabının, girdilerin sürekli bir fonksiyonu olmasını
gerektiren durumlarda (2.93) veya (2.94) denklemlerinde verilen aktivasyon
fonksiyonları kullanılırken, ikili karar mekanizması gerektiren durumlarda (2.95) ile
tanımlanan sert geçişli aktivasyon fonksiyonları tercih edilmektedir. 292
2.3.3. Yapay Sinir Ağının Yapısı
Yapay sinir hücrelerinin (nöronların) birbirleriyle bağlantılar aracılığıyla bir
araya gelmeleri yapay sinir ağını oluşturmaktadır. Genel olarak, sinir hücreleri
katmanlar halinde ve her katman içinde paralel olarak bir araya gelerek ağı meydana
getirirler. Şekil 2.4.’de görüldüğü gibi; bir yapay sinir ağında birbirleriyle bağlantılı
sinir hücrelerinin yer aldığı girdi katmanı (input layer); çıktı katmanı (output layer)
ve gizli katman (hidden layer) olmak üzere temelde üç katman bulunmaktadır.
290 EFE, Ö. ve KAYNAK, O., a. g. e., s. 7
291 ÖZTEMEL, E., a. g. e., s. 50
118

Girişler Çıkışlar
Girdi
Katmanı
Şekil 2.4. Çok Katmanlı Bir Yapay Sinir Ağı
Kaynak: Fırat ve Güngör, 2005: 61
Girdi katmanından alınan girişler, girdi katmanı ve gizli katman arasında
bulunan bağlantı ağırlıkları ile çarpılıp gizli katmana iletilmektedir. Gizli katmandaki
nöronlara gelen girişler toplanarak aynı şekilde gizli katman ile çıktı katmanı
arasındaki bağlantı ağırlıkları ile çarpılarak çıktı katmanına iletilir. Çıktı
katmanındaki nöronlar da, kendisine gelen bu girişleri toplayarak buna uygun bir
çıkış üretirler. 293 Bağlantıların ağırlık değerleri öğrenme sırasında belirlenmektedir.
Yapay sinir ağlarında öğrenmenin nasıl gerçekleştiği ve bağlantı ağırlıklarının nasıl
belirlendiği, izleyen bölümde açıklanmıştır.
2.3.4. Yapay Sinir Ağlarında Öğrenme
Yapay sinir ağları, öğrenme, hafızaya alma ve veriler arasındaki ilişkiyi
ortaya çıkarma kapasitesine sahiptirler. Diğer bir ifadeyle, normalde bir insanın
düşünme ve gözlemlemeye yönelik doğal yeteneklerini gerektiren problemlere
çözüm üretebilmektedirler. Bir insanın düşünme ve gözlemleme yeteneklerini
gerektiren problemlere yönelik çözümler üretebilmesinin temel sebebi ise insan
beyninin ve dolayısıyla insanın sahip olduğu yaşayarak veya deneyerek öğrenme
yeteneğidir. Biyolojik sistemlerde öğrenme, nöronlar arasındaki sinaptik (synaptic)
292 EFE, Ö. ve KAYNAK, O., a. g. e., s. 8
Gizli
Katman
Çıktı
Katmanı
119

ağlantıların ayarlanması ile olmaktadır. Yani, insanlar doğumlarından itibaren bir
“yaşayarak öğrenme” süreci içerisine girerler. Bu süreç içinde beyin sürekli bir
gelişme göstermektedir. Yaşayıp tecrübe ettikçe sinaptik bağlantılar ayarlanır ve
hatta yeni bağlantılar oluşur. Bu sayede öğrenme gerçekleşir. Bu durum yapay sinir
ağları için de geçerlidir. 294 Yapay sinir ağlarının öğrenme sürecinde, dış ortamdan
gözle veya vücudun diğer organlarıyla uyarıların alınması gibi dış ortamdan girişler
alınır, bu girişlerin beyin merkezine iletilerek burada değerlendirilip tepki verilmesi
gibi yapay sinir ağında da aktivasyon fonksiyonundan geçirilerek bir tepki çıkışı
üretilir. 295
Yapay sinir ağlarında öğrenme kısaca, istenen bir işlevi yerine getirecek
şekilde ağırlık değerlerinin ayarlanması sürecidir. Başlangıçta bu ağırlık değerleri
rasgele olarak atanır. Yapay sinir ağları, kendilerine örnek gösterildikçe ağırlık
değerlerini değiştirirler. Amaç, ağa gösterilen örnekler için doğru çıktıları üretecek
ağırlık değerlerini bulmaktır. Ağın doğru ağırlık değerlerine ulaşması, örneklerin
temsil ettiği olaylar hakkında genellemeler yapabilme yeteneğine kavuşması
anlamına gelmektedir. Yapay sinir ağlarının bilinen örneklerden belirli bilgileri
çıkartarak bilinmeyen örnekler hakkında genelleme yapabilme özelliğine kavuşması
işlemine, “ağın öğrenmesi” denmektedir. Öğrenme sürecinin iki aşaması vardır.
Birinci aşamada ağa gösterilen örnek için ağın üreteceği çıktı belirlenir. Bu çıktı
değerinin doğruluk derecesine göre ikinci aşamada ağın bağlantılarının sahip olduğu
ağırlıklar değiştirilir. Ağın eğitimi tamamlandıktan sonra öğrenip öğrenmediğini
(performansını) ölçmek için yapılan denemelere ise, ağın “test edilmesi”
denmektedir. Test etmek için ağın öğrenme sırasında görmediği örneklerden
yararlanılır. Ağ, eğitim sırasında belirlenen bağlantı ağırlıklarını kullanarak
görmediği bu örnekler için çıktılar üretir. Elde edilen çıktıların doğruluk değerleri
ağın öğrenmesi hakkında bilgiler verir. Sonuçlar ne kadar iyiyse, eğitim
293 ELMAS, Ç., a. g. e., s. 45
294 YURTOĞLU, H., Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı
Makroekonomik Değişkenler için Türkiye Örneği, DPT Yayın No: 2683, Ankara, 2005, s. 5
295 KELEŞOĞLU, Ö., EKİNCİ, C. E. ve FIRAT, A., “The Using of Artificial Neural Networks in
Insulation Computations” Yıldız Teknik Üniversitesi Mühendislik ve Fen Bilimleri Dergisi,
2005/3, s. 60
120

performansının da o kadar iyi olduğunu gösterir. Eğitimde kullanılan örnek setine
“eğitim seti”, test için kullanılan sete ise “test seti” adı verilmektedir. 296
121
Yapay sinir ağındaki herhangi bir ağırlık ( W i ) ele alındığında, öğrenme
matematiksel olarak aşağıdaki şekilde ifade edilir:
WYeni = WEski
± ∆W
Burada ∆W, belirli bir kurala göre hesaplanarak o anki ağırlıklara
uygulanacak düzeltme miktarını verir. ∆W’yi belirlemek için tanımlanmış kurallara
“öğrenme algoritmaları” yada “öğrenme kuralları” denilmektedir. 297 Yapay sinir
ağlarının eğitimi için kullanılan öğrenme kuralları genellikle danışmanlı öğrenme
(supervised learning), danışmansız öğrenme (unsupervised learning) ve takviyeli
öğrenme (reinforcement learning) olmak üzere üç başlık altında toplanmaktadır.
2.3.4.1. Danışmanlı Öğrenme
Danışmanlı öğrenmede, yapay sinir ağı kullanılmadan önce eğitilmelidir.
Eğitme işlemi, sinir ağına giriş ve çıkış bilgileri sunmaktan oluşur. Ağ giriş bilgisine
göre ürettiği çıkış değerini, istenen değerle karşılaştırarak ağırlıkların
değiştirilmesinde kullanılacak bilgiyi elde eder. Girilen değerle istenen değer
arasındaki fark hata değeri olarak önceden belirlenen değerden küçük oluncaya kadar
eğitime devam edilir. Hata değeri istenen değerin altına düştüğünde tüm ağırlıklar
sabitlenerek eğitim işlemi sonlandırılır. Danışmanlı öğrenmeye; çok katmanlı
perceptron (multilayer perceptron), geriye yayılım (backpropagation), delta kuralı,
“Widrow-Hoff” veya en küçük karelerin ortalaması (least mean square) ve
uyarlanabilir doğrusal eleman anlamına gelen “ADALINE” örnek olarak
verilebilir. 298
296 ÖZTEMEL, E., a. g. e., s. 55-56
297 ALATAŞ B., Sinirsel Ağlar, www.firat.edu.tr/akademik/fakulteler/muhendislik/ bilgisayar/
balatas/ SinirselAglar.pdf, s. 22, (İndirilme Tarihi: 22.06.2004),
298 ELMAS, Ç., a. g. e., s. 96

Geriye yayılım (back propagation), bir çok uygulamada kullanılan en yaygın
öğrenme algoritmasıdır. 299 Anlaşılması kolay ve matematiksel olarak ispatlanabilir
olmasından dolayı en çok tercih edilen öğrenme algoritması olmuştur. Geriye
yayılım öğrenme yöntemi, sistem hatasını veya maliyet işlevini azaltma esasına
dayanan bir eniyileme (optimizasyon) işlemidir. Bu algoritma, hataları çıkıştan girişe
geriye doğru azaltmaya çalışmasından dolayı geri yayılım ismini almıştır. Geri
yayılımlı öğrenen ağlar hiyerarşik yağıdadırlar. Giriş, çıkış ve en az bir gizli katman
olmak üzere üç katmandan oluşurlar. Geriye yayılım öğrenmesi sırasında ağ, her
giriş örüntüsünü, çıkış nöronlarında sonuç üretmek üzere gizli katmanlardaki
nöronlardan geçirir. Daha sonra çıkış katmanındaki hataları bulabilmek için,
beklenen sonuçla, elde edilen sonuç karşılaştırılır. Bundan sonra, çıkış hatalarının
türevi çıkış katmanından geriye doğru gizli katmanlara geçirilir. Hata değerleri
bulunduktan sonra, nöronlar kendi hatalarını azaltmak için ağırlıklarını ayarlar.
Ağırlık değiştirme denklemleri, ağdaki hata kareleri ortalamasını (MSE) en küçük
yapacak şekilde düzenlenir. 300
Geriye yayılım algoritmasında hata, aşağıdaki gibi hesaplanmaktadır.
1/
2
1 ⎡
2 ⎤
E = ⎢∑∑
d pk − y pk ⎥
(2.96)
2 ⎣ p k
⎦
Burada; E hata kareleri ortalamasını, d pk istenen çıktı vektörünü ve y pk
gerçek çıktı vektörünü (ağ çıktısı) göstermektedir. Hatanın sıfır veya sıfıra çok yakın
olması, ağın çok iyi eğitildiğini gösterir. 301
2.3.4.2. Danışmansız Öğrenme
Danışmansız öğrenmede sistemin doğru çıkış hakkında bilgisi yoktur ve
girişlere göre kendi kendisini örnekler. Danışmansız olarak eğitilebilen ağlar, istenen
299 KELEŞOĞLU, Ö. vd., a. g. e., s. 60, HAYKIN. S., Neural Networks, Upper Saddle River,
Prentice-Hall N. J., 1999’dan aktaran BOLAT, S. ve KALENDERLİ, Ö., “Yapay Sinir Ağı ile
İzolatör Konum Açısı Optimizasyonu”, Elektrik, Elektronik, Bilgisayar Mühendisliği 10.
Ulusal Kongresi, İstanbul, 2003, s. 190, EFE, Ö. ve KAYNAK, O., a. g. e., s. 15
300 BOLAT, S. ve KALENDERLİ, Ö., a. g. e., s. 190
122

ya da hedef çıkış olmadan giriş bilgilerinin özelliklerine göre ağırlık değerlerini
ayarlar. Danışmansız öğrenmeye; “Yarışmacı Öğrenme (Competitive Learning)”;
“Kohonen’in Özörgütlemeli Harita Ağları (Self-Organizing Maps); “Hebbian
Öğrenme ve “Grossberg Öğrenme” gibi öğrenme kuralları örnek olarak verilebilir.
Kohonen tarafından geliştirilen danışmansız öğrenme yönteminin kullanıldığı
özörgütlemeli harita ağ, biyolojik sistemlerdeki öğrenmeden esinlenmiştir. Bu
yöntemde nöronlar öğrenmek için elverişli durum yada ölçülerini güncellemek için
yarışırlar. En büyük çıkış ile işlenen nöron, kazananı belirler ve komşularına bağlantı
boyutlarını güncellemeleri için izin verir. Kazanan nöron ile birlikte, onun topolojik
komşuluğunda bulunan belli sayıda nörona gelen ağırlıklar da benzer şekilde
değiştirilir. 302
2.3.4.3. Takviyeli Öğrenme
Bu öğrenme kuralı, danışmanlı öğrenmeye yakın bir metoddur. Denetimsiz
öğrenme algoritması, istenilen çıkışın bilinmesine gerek duymaz. Hedef çıktıyı
vermek için bir öğretmen yerine burada yapay sinir ağına bir çıkış verilmemekte,
elde edilen çıkışın verilen girişe karşılık iyi yada kötü olarak değerlendiren bir kriter
kullanılmaktadır. Performans bilgisi genellikle iki sayıdır ve denetim hareketlerinin
başarısını göstermektedir. Optimizasyon problemlerini çözmek için Hilton ve
Sejnowski tarafından geliştirilen “Boltzman Kuralı”, takviyeli öğrenmeye örnek
olarak verilebilir.
2.3.5. Yapay Sinir Ağı Mimarileri
Yapay sinir ağlarında yer alan sinir hücreleri ve bağlantılar, çok değişik
biçimlerde bir araya getirilebilmektedir. Yapay sinir ağı mimarileri, sinirler
arasındaki bağlantıların yönlerine göre veya ağ içindeki işaretlerin akış yönlerine
göre birbirlerinden ayrılmaktadır. Buna göre, ileri beslemeli (feed forward) ve geri
beslemeli (feedback, recurrent) ağlar olmak üzere iki temel ağ mimarisi
bulunmaktadır.
301 LIN, C. T. ve LEE, C. S. G., Neural Fuzzy Systems, Prentice Hall, 1996, s. 17
123

2.3.5.1. İleri Beslemeli Yapay Sinir Ağları
İleri beslemeli yapay sinir ağlarında, hücreler katmanlar şeklinde düzenlenir
ve bir katmandaki hücrelerin çıkışları bir sonraki katmana ağırlıklar üzerinden giriş
olarak verilir. Giriş katmanı, dış ortamlardan aldığı bilgileri hiçbir değişikliğe
uğratmadan gizli katmandaki hücrelere iletir. Bilgi, orta ve çıkış katmanında
işlenerek ağ çıkışı belirlenir. Bu yapısı ile ileri beslemeli ağlar doğrusal olmayan
statik bir işlevi gerçekleştirir. Şekil 2.5’de ileri beslemeli ağ için blok diyagram
gösterilmiştir.
Şekil 2.5. İleri Beslemeli Yapay Sinir Ağının Blok Gösterimi
2.3.5.2. Geri Beslemeli Yapay Sinir Ağları
Geri beslemeli ağ mimarileri, genellikle danışmansız öğrenme kurallarının
uygulandığı ağlarda kullanılmaktadır. Bu tip ağlarda en az bir hücrenin çıkışı
kendisine yada diğer hücrelere giriş olarak verilir ve genellikle geri besleme bir
geciktirme elemanı üzerinden yapılır. Geri besleme, bir katmandaki hücreler arasında
olduğu gibi katmanlar arasındaki hücreler arasında da olabilir. Bu yapısı ile geri
beslemeli yapay sinir ağları, doğrusal olmayan dinamik bir davranış göstermektedir.
Geri beslemeli ağlara örnek olarak Hopfield, Elman ve Jordan ağları verilebilir. 303
Şekil 2.6’da geri beslemeli ağ için blok diyagram gösterilmiştir.
302 ELMAS, Ç., a. g. e., s. 149
303 ALATAŞ, B., a. g. e., s. 11
124

Şekil 2.6. Geri Beslemeli Yapay Sinir Ağının Blok Gösterimi
2.3.6. Yapay Sinir Ağlarının Özellikleri
Yapay sinir ağlarının karakteristik özellikleri uygulanan ağ modeline göre
değişmekle birlikte, bütün modeller için geçerli olan genel özellikleri aşağıdaki gibi
sıralanabilir. 304
• Yapay sinir ağlarının temel işlem elemanı olan nöronlar doğrusal değildir.
Dolayısıyla nöronların birleşmesinden meydana gelen yapay sinir ağları da
doğrusal değildir. Bu özelliği ile YSA, doğrusal olmayan karmaşık problemlerin
çözümünde kullanılan önemli bir araç olmuştur.
• Yapay sinir ağları bir matematik model olmaksızın, sadece giriş ve çıkış çiftleri
kullanarak öğrenebilme özelliğine sahiptirler. Mevcut verilerden yola çıkarak
veriler arasındaki bilinmeyen ilişkileri veya veriler arasındaki içsel dinamikleri
öğrenebilmekte ve kendilerini organize ederek yenileyebilmektedirler. Öğrenme
tüm nöronlar tarafından paylaşılan bir süreçtir ve ağdaki her bir nöron sonuca
katkıda bulunmaktadır
304 SCHALKOF, R. J., Artificial Neural Networks, McGraw-Hill Inc., New York, 1997, s. 10’dan
aktaran YILDIZ, B., “Finansal Başarısızlığın Öngörülmesinde Yapay Sinir Ağı Kullanımı ve
Halka Açık Şirketlerde Ampirik Bir Uygulama”, İMKB Dergisi, Sayı: 17, 2001, s.56,
ÖZTEMEL, E., a. g. e., s. 31-33, YILDIZ, B., DOĞANAY, M. ve AKTAŞ, R., “Mali
Başarısızlığın Öngörülmesi: İstatistiksel Yöntemler ve Yapay Sinir Ağı Karşılaştırılması”, Ankara
Üniversitesi Siyasal Bilgiler Fakültesi Dergisi, Cilt: 58, Sayı: 4, 2003, s. 16
125

• Yapay sinir ağları örnekleri kullanarak ilgili problem hakkında genelleme
yapabilecek yeteneğe kavuşturulurlar. İlgilendiği problemi öğrendikten sonra,
eğitim sırasında karşılaşmadığı test örnekleri için de bilgiler üretebilmektedir.
• Yapay sinir ağının gösterdiği önemli özelliklerden birisi de, ağın eğitim dışında
kullanım sürecinde de yeni ortamları öğrenebilir ve uyum gösterebilir yetenekte
olmasıdır. Yani belirli bir problemi çözmek amacıyla eğitilen yapay sinir ağları,
problemdeki değişimlere göre tekrar eğitilebilirler.
• Yapay sinir ağları eğitildikten sonra eksik bilgilerle çalışabilirler ve yeni gelen
örneklerde eksik bilgi olmasına rağmen sonuç üretebilirler. Yapay sinir ağlarının
eksik bilgilerle çalışabilme yetenekleri, hatalara karşı toleranslı olmalarını
sağlamaktadır.
• Yapay sinir ağlarının hatalara karşı toleranslı olmaları, bozulmalarının da
dereceli olmasını sağlamaktadır. Bir ağ zaman içerisinde yavaşa yavaş bozulur,
herhangi bir problem çıktığında hemen anında bozulmazlar.
• Yapay sinir ağları, çok sayıda hücrenin çeşitli şekillerde bağlanmasından
oluştuğundan paralel dağılmış bir yapıya sahiptir ve ağın sahip olduğu bilgi,
ağdaki bütün bağlantılar üzerine dağılmış durumdadır. Bu nedenle, eğitilmiş bir
ağın bazı bağlantılarının hatta bazı hücrelerinin etkisiz hale gelmesi, ağın doğru
bilgi üretmesini önemli ölçüde etkilemez.
• Yapay sinir ağlarının belirsiz bilgileri işleyebilme yetenekleri vardır. Olayları
öğrendikten sonra belirsizlikler altında, öğrendikleri olaylar ile ilgili ilişkileri
kurarak karar verebilirler.
• Yapay sinir ağlarında bilgi, ağın bağlantılarının değerleri ile ölçülmekte ve
bağlantılarda saklanmaktadır. Diğer bilgisayar programlarında olduğu gibi veriler
bir veri tabanında veya programın içinde değildir.
• Literatürde, verilerin yapay sinir ağının eğitiminde kullanılması için gerekli bir
varsayım bulunmamaktadır. Bir başka deyişle her tür veri, sayılarla kodlanması
şartıyla eğitim için kullanılabilmektedir. Bu yapay sinir ağı teknolojisinin, bazı
126

varsayımlara dayanan istatistiksel yöntemlere kıyasla sahip olduğu önemli bir
avantajdır.
Yukarıda verilen açıklamalardan yapay sinir ağlarının hesaplama ve bilgi
işleme gücünü; paralel dağıtılmış yapısından; öğrenme ve genelleme yapabilme
yeteneğinden aldığı söylenebilir. Sayılan bu özellikleri, ileriye yönelik tahmin
çalışmalarında yapay sinir ağlarını geleneksel yöntemlerden farklı kılan ve avantaj
sağlayan üstünlükleri olarak da değerlendirilmektedir. 305
305 VENUGOPAL, V. ve BAETS, W., “Neural Networks And Statistical Techniques İn Marketing
Research: A Conceptional Comparison”, Marketing Intelligence & Planning, Volume: 12, No:
7, 1994, s. 37, ÖZALP, A. ve ANAGÜN, S., “Yapay Sinir Ağı Performansına Etki Eden
Faktörlerin Analizinde Taguchi Yöntemi: Hisse Senedi Fiyat Tahmini Uygulaması”, İstatistik
Araştırma Dergisi, Cilt: 2, No: 1, 2003, s. 33, YILDIZ, B., a. g. e., s. 56, ZHANG, G. vd., a. g. e.,
s. 35-36,
127

ÜÇÜNCÜ BÖLÜM
ANTALYA İLİNE YÖNELİK DIŞ TURİZM TALEBİNİN
YAPAY SİNİR AĞLARI VE ZAMAN SERİSİ YÖNTEMLERİ İLE
3.1. Literatür Taraması
TAHMİNLERİ
Bu bölümde; geçmiş yıllarda dünyada ve Türkiye’de, yapay sinir ağlarının
tek başına veya diğer nicel yöntemlerle birlikte kullanıldığı turizm talebi tahmin
çalışmaları ile Antalya iline yönelik turizm talebi tahmin çalışmalarının bir özeti
verilmiştir.
Yapılan literatür taraması neticesinde, turizm sektöründe yapay sinir ağları ve
nicel tahmin yöntemleri kullanılarak; gelen turist sayısı; oda ve yatak doluluk
oranları; turizm gelirleri; turistlerin geceleme sayıları ve turist harcamalarının
tahminlerine yönelik çalışmaların yapıldığı tespit edilmiştir. Konuyla ilgili ilk
çalışmanın Pattie ve Snyder tarafından yapıldığı görülmektedir. Yazarlar; aylık
zaman serisi verileri ile Amerika’daki milli parkları ziyaret eden ziyaretçi sayısını,
trend analizi, tekli üstel düzleştirme yöntemi, Holt-Winters’in üç parametreli üstel
düzleştirme yöntemi, otoregresif entegre hareketli ortalama (ARIMA) yöntemi,
mekanik tahmin yöntemi ve geri yayılımlı (back propagation) yapay sinir ağı
modelini kullanarak tahmin etmişlerdir. Yaptıkları tahmin doğruluğu ölçümleri
neticesinde, yapay sinir ağının en yüksek doğruluğa sahip tahmin modeli olduğunu
tespit eden yazarlar, yapay sinir ağlarının klasik tahmin yöntemlerine alternatif ve
başarılı bir tahmin yöntemi olduğunu belirtmişlerdir. 306
Choi, Kim ve An; aylık zaman serisi verileri ile, otoregresif entegre hareketli
ortalama yöntemi (ARIMA) ile farklı mimari yapılara sahip geri beslemeli
(recurrent) yapay sinir ağı modellerini kullanarak Güney Kore’deki bir otel
işletmesinin doluluk oranlarını tahmin etmişlerdir. Yazarların geliştirdikleri “Geri
128

eslemeli ayrıştırılmış yapay sinir ağı modeli (Recurrent and decomposed Neural
Network - RDNN)”, ARIMA ve deneme amacıyla geliştirdikleri diğer yapay sinir
ağı modellerine göre daha yüksek tahmin performansı göstermiştir. 307
Benzer şekilde, Law; çoklu regresyon, mekanik tahmin modeli ve altı girişe
sahip girdi, bir çıktı ve bir gizli katmandan oluşan yapay sinir ağı modeli ile, Hong
Kong’da faaliyet gösteren otel işletmelerinin oda doluluk oranlarını tahmin etmiştir.
Yazar, gerçekleşen doluluk oranları ile tahmin edilen doluluk oranları arasındaki
farkları dikkate alarak yaptığı değerlendirme neticesinde, eğitme algoritması ve
mimarisi hakkında bilgi vermediği yapay sinir ağı modelinin, diğer iki tahmin
modeline göre daha yüksek tahmin başarısı sağladığını belirtmiştir. 308
Uysal ve El Roubi; üçer aylık zaman serilerini kullanarak, çoklu regresyon
modeli ve yapay sinir ağı ile Amerika Birleşik Devletlerini ziyaret eden Kanadalı
turistlerin yapmış oldukları harcamaları tahmin etmişlerdir. Gerçek ve tahmin edilen
turist harcamaları arasındaki tahmin hatalarını, “Mutlak Yüzde Hata (APE)” ve
Mutlak Yüzde Hata Ortalaması (MAPE) istatistikleri ile değerlendiren yazarlar, her
iki modelin de birbirine yakın sonuçlar verdiğini tespit etmişlerdir. 309
Law ve Au; 1967-1996 yıllarına ait yıllık zaman serisi verilerini kullanarak,
Hong Kong’a yönelik Japon turizm talebini, mekanik tahmin modeli, çoklu
regresyon modeli, üstel düzleştirme modeli, hareketli ortalama ve ileri sürümlü
yapay sinir ağı modeli ile tahmin etmişlerdir. Modellerin tahmin performanslarını
değerlendirme kriteri olarak MAPE ve Mann-Whitney U istatistiklerini kullanan
yazarlar, yapay sinir ağı modelinin anılan diğer modellere göre daha iyi tahmin
sonuçları verdiğini ortaya koymuşlardır. 310
306 PATTIE, D. C. ve SNYDER, J., “Using a Neural Network to Forecast Visitor Behavior”, Annals
of Tourism Research, Volume: 23, No: 1, 1996, s. 151-164
307 CHOI, H. Y., KIM, W. ve AN, S. Y., “Recurrent and Decomposed Neural Network – Based Hotel
Occupancy Rate”, The New Review of Applied Expert Systems, No: 4, 1997, s. 121-136
308 LAW, R. (a), “Room Occupancy Rate: A Neural Network Approach”, International Journal of
Contemporary Hospitality Management,Volume: 1, No: 6, 1998, s. 234-239
309 UYSAL, M. ve EL ROUBI, S., “Artificial Neural Network Versus Multiple Regression in
Tourism Demand Analysis”, Journal of Travel Research, Volume:38, No: 2, 1999, s. 111-118
310 LAW, R. ve AU, N., “A Neural Network Model To Forecast Japanese Demand For Travel To
Hong Kong”, Tourism Management, Volume: 20, No: 1, 1999, s. 89-97
129

Ahmed ve Cross; turizm talebinin ölçüsü olarak Avustralya’daki otel
işletmelerinde geceleyen turist sayısını aldıkları çalışmalarında, geri yayınımlı yapay
sinir ağı modelleri ile farklı bir eğitme algoritması kullandıkları yapay sinir ağı
modelinin tahmin başarılarını karşılaştırmışlardır. Çalışmalarında, üçer aylık zaman
serisi verilerini kullanan yazarlar, denedikleri yapay sinir ağı modelinin (self
adaptive ANN) diğer modellere göre daha yüksek tahmin performansı gösterdiğini
belirtmişlerdir. 311
Law; geriye yayınımlı ileri sürümlü yapay sinir ağı modeli ile hareketli
ortalama, çoklu regresyon, mekanik tahmin ve Holt’un çift parametreli üstel
düzleştirme modellerinin, Hong Kong’a gelen Tayvanlı turist sayısını tahmin etme
performanslarını karşılaştırmıştır. Modellerin tahmin performanslarının
değerlendirilmesinde, Ortalama Mutlak Sapma (MAD), Hata Kareleri Ortalaması
(MSE), Ortalama Mutlak Yüzde Hata (MAPE) ve Kök Ortalama Kare Hata (RMSE)
istatistiklerini kullanan yazar, gerçek turist sayısı ile ileri beslemeli geri yayınımlı
yapay sinir ağı modelinden elde edilen tahmin sonuçları arasındaki sapmaların diğer
modellerle elde edilen sonuçlara göre daha küçük olduğunu belirtmiştir. 312
Law diğer bir çalışmasında; yıllık verileri kullanarak, çoklu regresyon,
mekanik tahmin (naive), hareketli ortalama, otoregresyon, tekli ve Holt’un üstel
düzleştirme yöntemleri ile yapay sinir ağlarının, Hong Kong’u ziyaret eden yabancı
turistlerin harcamalarını tahmin etme başarılarını karşılaştırmıştır. Turist
harcamalarını toplam konaklama faturaları ile ölçen yazar, modellerin tahmin
başarılarını; Yön Değişimi Hatası (Directional Change Accuracy - DCA), Trend
Değişimi Hatası (Trend Change Accuracy - TCA) ve Ortalama Mutlak Yüzde Hata
(MAPE) ile değerlendirmiştir. Yazar; otoregresyon ve yapay sinir ağı modellerinin
311 AHMED, S. ve CROSS, J., “A Tourist Growth Model to Predict Accommodation Nights Spent in
Australian Hotel Industry”, 11th, Annual Colloquium of The Spatial Information Centre,
University of Otaga, New Zealand, 1999, s. 1-9
312 LAW, R. (b), “Back-Propagation Learning in Improving The Accuracy Of Neural Network-Based
Tourism Demand Forecasting”, Tourism Management, Volume: 21, No:4, 2000, s. 331-340
130

irbirlerine yakın sonuçlar ile diğer modellere göre daha başarılı tahminler yaptığını
belirtmiştir. 313
Burger, Donhal, Cathrada ve Law; aylık zaman serisi verilerini kullanarak,
mekanik tahmin (naive), regresyon analizi, hareketli ortalamalar, Box-Jenkins
(ARIMA) yöntemi ve yapay sinir ağlarının, Durban’a (Güney Afrika) yönelik
Amerikan turizm talebini tahmin doğruluklarını karşılaştırmışlardır. Doğruluk ölçüsü
olarak Ortalama Mutlak Yüzde Hata (MAPE) ve korelasyon katsayısını (r) kullanan
yazarlar; yapay sinir ağı modelinin, anılan modellere göre, en yüksek korelasyon
katsayısı ve en düşük Ortalama Mutlak Yüzde Hata ile tahmin ettiğini belirtmişlerdir.
Yazarlar, yapay sinir ağlarının doğrusal olmama ve karmaşık ilişkileri öğrenebilme
yeteneklerinden dolayı zaman serisi tahminlerinde başarıyla uygulanabileceğini
vurgulamışlardır. 314
Cho, 1974 – 2000 yıllarına ait üçer aylık zaman serisi verilerini kullandığı
çalışmasında; üstel düzleştirme, ARIMA ve Elman yapay sinir ağı modeli ile farklı
ülkelerden Hong Kong’a yönelik dış turizm talebini tahmin etmiştir. Modellerin
tahmin performanslarının değerlendirilmesinde, Ortalama Mutlak Yüzde Hata
(MAPE) ve Kök Ortalama Kare Hata (RMSE) istatistiklerinden yararlanan yazar,
çalışmasında kullandığı Elman yapay sinir ağının, diğer yöntemlere göre bir ülke
haricinde tüm ülkelerden gelen turist sayılarının tahmininde, en iyi sonuçları
verdiğini belirtmiş ve yapay sinir ağlarının özellikle mevsimsel dalgalanma gösteren,
gelen turist sayıları gibi seriler için uygun bir tahmin yöntemi olduğunu ileri
sürmüştür. 315
Palmer, Montaño ve Sesé; 1986 – 2000 yıllarına ait üçer aylık zaman serisi
verilerini kullanarak, farklı katman ve nöron sayılarına sahip ileri sürümlü yapay
sinir ağı modellerinin, Baleric Adaları’nın turizm gelirlerini tahmin etme
313 LAW, R. (c), “Demand for Hotel Spending by Visitors to Hong Kong: A Study of Various
Forecasting Techniques, Journal of Hospitality & Leisure Marketing, Volume: 6 No:4, 2000,
s.17-29
314 BURGER, C. J. S. C., DOHNAL, M., KATHRADA, M. ve LAW, R., “A Practitioners Guide to
Time-Series Methods For Tourism Demand Forecasting - A Case Study Of Durban, South
Africa”, Tourism Management, Volume: 22, No: 4, 2001, s. 403-409
315 CHO, V., “A Comparison of Three Different Approaches To Tourist Arrival Forecasting”,
Tourism Management, Volume: 24, No: 3, 2003, s. 323-330
131

performanslarını karşılaştırmışlardır. Denedikleri toplam 28 farklı yapay sinir ağı
modelinin tahmin performanslarını, MAPE, RMSE ve Theil’s-U istatistikleri ile
ölçen yazarlar, 8-1-1 mimarisine sahip modelin, diğerlerine göre daha yüksek tahmin
başarısı sağladığını belirtmişlerdir.Yapay sinir ağlarının diğer yöntemlerle birlikte
kullanıldığı önceki çalışmalara da atıfta bulunan yazarlar, yapay sinir ağlarının;
doğrusal olmama, hata toleransı, veriler arasındaki karmaşık ilişkileri
modelleyebilme ve istatistiksel varsayımlara gerek duymamaları gibi bir dizi
avantaja sahip olduğunu ve bu özellikleri ile turizm zaman serileri için uygun bir
tahmin tekniği olduğunu ileri sürmüşlerdir. 316
Türkiye’de Baldemir ve Bahar; ileri sürümlü geri yayınımlı yapay sinir ağı,
hareketli ortalama, çoklu regresyon ve “saflık modeli” olarak adlandırdıkları
mekanik tahmin yöntemlerinin, beş ülkeden Türkiye’ye gelen turist sayılarını tahmin
performanslarını karşılaştırmışlardır. Çalışmada 1984 – 1999 yıllarına ait yıllık
verilerden yararlanılmış ve toplam 16 gözlem arasında ilk 13 gözlem tahmin, son 3
gözlem ise modellerin tahmin performanslarını test etmek için kullanılmıştır.
Değerlendirme kriterleri olarak MSE, APE, MAPE ve RMSPE istatistiklerini
kullanan yazarlar, Türkiye’ye yönelik turizm talebini tahmin etmede, anılan modeller
arasında, geri yayınımlı yapay sinir ağı modelinin daha doğru sonuçlar verdiğini
belirtmişlerdir. 317
Çuhadar ve Kayacan; 1990 – 2002 yılarına ait aylık zaman serisi verilerini
kullanarak farklı katman ve nöron sayılarına sahip ileri sürümlü geriye yayınımlı
yapay sinir ağı modellerinin, Türkiye’deki Turizm Bakanlığı belgeli konaklama
işletmelerinin aylık doluluk oranlarını tahmin etme doğruluklarını
karşılaştırmışlardır. Çalışmada kullanılan 144 aylık verinin, % 80’i eğitim, % 20’si
de test verisi şeklinde gruplandırılmıştır. Modellerin tahmin doğruluklarının
değerlendirilmesinde MSE, RMSE ve MAPE istatistiklerini kullanan yazarlar, [5-5-
3-1] düzenine sahip iki gizli katmanlı yapay sinir ağı modelinin, denenen diğer
316 PALMER, A., MONTAÑO J. J. ve SESÉ, A., “Designing An Artificial Neural Network For
Forecasting Tourism Time Series”, Tourism Management, Volume: 26, No: 1, 2005, s. 1-10
317 BALDEMİR, E. ve BAHAR, O., “Türkiye’ye Yönelik Turizm Talebinin Neural (Sinir) Ağları
Modelini Kullanarak Analizi”, Gazi Üniversitesi Ticaret ve Turizm Eğitim Fakültesi Dergisi,
Sayı :2, 2003, s. 152-169
132

modellere göre en yüksek tahmin doğruluğunu sağlayan model olduğunu tespit
etmişlerdir. 318
Güngör ve Çuhadar; 1991–2004 dönemine ait aylık zaman serisi verilerini
kullanarak, ileri sürümlü geriye yayınımlı yapay sinir ağı ile doğrusal ve doğrusal
olmayan çoklu regresyon modellerinin, Antalya’ya gelen Alman turist sayılarını
tahmin etme başarılarını karşılaştırmışlardır. Modellerin tahmin başarılarını;
(Belirlilik Katsayısı), MAPE ve RMSE istatistikleri ile değerlendiren yazarlar, en
yüksek tahmin doğruluğu ve açıklayıcılığı sağlayan 5-7-1 düzenindeki sahip yapay
sinir ağı modeli ile 2005 ve 2006 yılları için aylar itibariyle Antalya iline yönelik
Alman turist talebi tahminleri yapmışlardır. 319
Antalya iline yönelik turizm talebinin tahmini ile ilgili çalışmaların ise
oldukça sınırlı olduğu görülmektedir. Bu konuda, Tetik tarafından yapılan çalışmada;
2010 yılında Türkiye’ye 23 milyon, Antalya’ya ise 7 milyon turistin geleceği tahmin
edilmiştir. 320 Batı Akdeniz Ekonomisini Geliştirme Vakfı tarafından yapılan
çalışmada ise; çeşitli senaryolara göre 2005, 2010, 2015 ve 2020 yılları için Antalya
iline gelecek turist sayıları tahmin edilmiştir. Çalışmada; doğrusal, kuadratik ve
lojistik trend kestirimlerinin geometrik ve harmonik ortalamaları kullanılmıştır. 321
3.2. Araştırmanın Amacı
Bu araştırmanın amacı; zaman serisi tahmin yöntemleri adı altında ele alınan;
mekanik tahmin (naive), hareketli ortalamalar, üstel düzleştirme ve Box-Jenkins
metodolojisi olarak da adlandırılan ARIMA yöntemlerinden verilerin yapısına uygun
modeller ile farklı mimarilere sahip yapay sinir ağı modellerinin, örnek içi ve örnek
318 ÇUHADAR, M. ve KAYACAN, C., “Yapay Sinir Ağları Kullanılarak Konaklama İşletmelerinde
Doluluk Oranı Tahmini: Türkiye'deki Konaklama İşletmeleri Üzerine Bir Deneme”, Anatolia
Turizm Araştırmaları Dergisi, Cilt: 16, Sayı: 1, Bahar 2005, s. 121-126
319 GÜNGÖR, İ. ve ÇUHADAR, M., “Antalya İline Yönelik Alman Turist Talebinin Yapay Sinir
Ağları Yöntemiyle Tahmini”, Gazi Üniversitesi Ticaret ve Turizm Eğitim Fakültesi Dergisi,
Yıl: 2005, Sayı: 1, s. 84-99
320 TETİK, S., “Antalya Turizm Pazarındaki Değişimler ve 2002 – 2010 Dönemi için Kestirimler”,
Turizm Bakanlığı, II Turizm Şurası Bildirileri, II. Cilt, Ankara, 2002, s. 41
321 Batı Akdeniz Ekonomisini Geliştirme Vakfı (BAGEV), Bölgesel Gelişim Raporu–I, Doğuşum
Matbaacılık Ltd., Ankara, 2003, s. 285
133
2
R

dışı geçmişe yönelik öngörü doğruluklarını karşılaştırarak en yüksek doğruluğu
sağlayan modelin belirlenmesi ve belirlenen model yardımıyla 2006 – 2007 yılları
için Antalya iline yönelik dış turizm talebinin aylar itibariyle tahmin edilmesidir. Bu
konuda daha önce Tetik ve Batı Akdeniz Ekonomisini Geliştirme Vakfı tarafından
yapılan çalışmalarda, turist sayısı tahminleri yıllık olarak yapılmıştır. Bu araştırmada
ise aylık tahminler yapılması planlanmıştır. Yapılacak tahminler ile; merkezi ve yerel
kamu yönetimleri tarafından hazırlanan turistik gelişme planları için bir zemin
oluşturmak; ilgili işletme yöneticilerinin aylık planlamalarında karar almalarını
kolaylaştırmak ve Türkiye’de turizm literatürüne katkı sağlanması, çalışmanın
amaçları arasındadır.
3.3. Araştırma Alanının Seçimi
Uygulamanın Antalya iline yönelik olarak belirlenmesindeki etmenler,
aşağıdaki gibi sıralanabilir:
1. Antalya ilinin sahip olduğu tarihi, doğal ve kültürel turizm potansiyeli.
2. Türkiye’ye gelen ziyaretçilerin başlıca turistik merkezlere göre dağılımı
içerisinde Antalya’nın en büyük paya sahip olması. Tablo 3.1.’de görüldüğü gibi;
Türkiye’ye 2003 yılında gelen turistlerin % 33,4’ü; 2004 yılında gelen turistlerin %
34,5’i ve 2005 yılında gelen turistlerin % 32,6’sı Antalya’yı tercih etmiştir.
Tablo 3.1. Türkiye’ye Gelen Ziyaretçilerin Başlıca Turistik Merkezlere
Göre Dağılımı (2003-2004-2005)
2003 % 2004 % 2005 %
Antalya 4.682.104 33,4 6.047.246 34,5 6.884.636 32,6
İstanbul 3.148.266 22,4 3.473.185 19,8 4.848.680 22,9
Muğla 1.998.559 14,3 2.526.407 14.4 2.836.467 13,4
İzmir 534.880 3,8 764.658 4,4 789.482 3,7
Aydın 275.336 2,0 257.774 1,5 338.923 1,6
Diğer 3.390.413 24,2 4.448.340 25,4 5.424.610 25,8
Toplam 14.029.558 100 17.517.610 100 21.122.798 100
Kaynak: Kültür ve Turizm Bakanlığı İstatistikleri
134

3. Türkiye’deki belgeli turizm işletmelerinin turistik merkezlere göre
dağılımı içerisinde Antalya’nın en büyük paya sahip olması. Tablo 3.2’de görüldüğü
gibi; Türkiye’deki yatırım belgeli tesislerin % 27,9’u; işletme belgeli tesislerin ise %
25,1’i Antalya ili sınırları içerisinde yer almaktadır.
Tablo 3.2. Türkiye’deki Belgeli Turizm İşletmelerinin Başlıca Turistik
Merkezlere Göre Dağılımı (2004)
Yatırım Belgeli İşletme Belgeli
Tesis % Yatak % Tesis % Yatak %
İstanbul 81 7,1 27260 11,0 309 13,3 53480 12,2
Antalya 318 27,9 95080 38,4 583 25,1 171677 39,2
Muğla 300 26,4 60135 24,3 402 17,3 69537 15,9
İzmir 50 4,4 11406 4,6 130 5,6 23412 5,3
Aydın 48 4,2 7568 3,1 103 4,4 21926 5,0
Diğer 341 30,0 46140 18,6 798 34,3 98264 22,4
Toplam 1138 100 247589 100 2.325 100 438296 100
Kaynak: Kültür ve Turizm Bakanlığı İstatistikleri, 2004
3.4. Araştırmada Kullanılan Nicel Tahmin Yönteminin Seçimi
Nicel tahmin yöntemleri, zaman serisi yöntemleri ve ilişkisel yöntemler
olmak üzere iki ana başlıkta ele alınmaktadır. Turizm talebinin ileriye yönelik
tahminlerinde ilişkisel yöntemlerin sınırlılıkları göz önünde bulundurularak bu
çalışmada zaman serisi yöntemleri kullanılmıştır. Bu sınırlılıklar aşağıdaki gibi
sıralanabilir.
1. Turizm talebine etki eden ekonomi dışı çok sayıda faktörün (psikolojik,
demografik, sosyal vb.) olması, belli bir turizm ürününe olan talebi ve bu talebe etki
eden faktörler arasındaki fonksiyonel ilişkiyi çok karmaşık bir hale getirmektedir.
Ayrıca bu değişkenlerin talep üzerindeki etkilerinin ve değişkenler arasındaki çapraz
ilişkilerin tam olarak tanımlanması ve sayısal olarak ifade edilmesi son derece zor
olmaktadır. Örneğin; bir turizm merkezine yönelik talep, zevk, kişisel tercihler,
coğrafi özellikler, iklim, turistik atmosfer, özenti vb. gibi ekonomi dışı bir çok
faktörün de etkisi altındadır
135

2. İktisadi olarak turizm, çeşitli ürün ve hizmetlerden oluşan bir
karışımdır. Bu nedenle turistik tüketim için belirli bir fiyat tayin etmek oldukça
güçtür. İlişkisel turizm talebi tahmin modellerinde, turistik ürünün fiyatı olarak
gidilen ülkedeki tüketici fiyat endeksleri (TÜFE) kullanıldığı görülmektedir. Fakat
şüphesiz ki bu endeksi oluşturan ürün ve hizmetler sepeti ile turistlerin yararlandığı
ürün ve hizmetler farklılık arz etmektedir. 322 Turistlerin bir ülkedeki harcamalarını
temsilen TÜFE’nin kullanılması, tahminlerin güvenilirliği konusunda ciddi şüpheler
ortaya çıkarmaktadır. 323
3. Döviz kurları, turizm talebi üzerinde etkili olan ekonomik faktörlerden
birisidir. Ancak, uluslararası turizm talebi modellerinde “Döviz kuru” değişkeninin
kullanılması yanıltıcı olabilmektedir. Çünkü gidilecek ülkedeki döviz kuru turistin
lehine bile olsa, enflasyon oranının nispi olarak yüksek olması bu dengeyi tersine
çevirebilmektedir. 324
4. Bir çok kaynakta tanıtım ve reklam harcamalarının turizm talebini
belirleyici bir faktör olarak önemi belirtilmekte, ancak bu faktörlere ilişkin geçerli
verilerin toplanmasında zorluk yaşanmaktadır. Bu konuda Kültür ve Turizm
Bakanlığı yetkilileri ile görüşmeler yapılmış, ancak hangi ülkede ne kadar harcama
yapıldığına ilişkin verilerin mevcut olmadığı cevabı alınmıştır. Dolayısıyla toplam
tanıtım harcamalarının ülke ayrımı olmadan hangi ülkeden gelen turistler üzerinde
ne ölçüde etkili olduğunu belirlemek oldukça zordur. 325 Ayrıca, yapılan tanıtım ve
reklamların turizm talebi üzerindeki etkisi zaman içinde dağılım gösterebilir. Belli
bir dönemde yapılan reklamlar, yalnız o dönemdeki talebi değil sonraki dönemlerin
talebini de etkileyebilmektedir. 326
5. Uluslararası turizm talebi ile ilgili çalışmaların çoğunda “gelir” değişkeni
olarak genellikle “Garisafi Milli Hasıla (GSMH)” veya GSMH’nın ülke nüfusuna
bölünmesi ile elde edilen “Kişi Başına Milli Gelir” değişkeni kullanılmaktadır.
322 GÜRBÜZ, A. K., “Turistik Talep Analizleri Üzerine Bir Değerlendirme”, Turizmde Seçme
Makaleler, TUGEV Yayını, No: 31, İstanbul, 1999, s. 38
323 MARTIN, A. C. ve WITT, S. F., a. g. e., s. 27
324 MARTIN, A. C. ve WITT, S. F., a. g. e., s. 28
325 SONG, H. ve WITT, S., a. g.e.(b), s. 216, SONG, H. ve TURNER, L., a. g. e., s. 10
326 WITT, S. F. ve MARTIN, C., a. g. e., s. 12
136

Ancak, güvenilir sonuçlar veren analizler için gelirin toplum içindeki dağılımının da
bilinmesi gerekir. Örnek olarak bir ülkede kişi başına düşen yüksek olmasına
rağmen, ulusal gelirin dağılımı adil değilse bu ülkede yeterli turizm talebi
oluşmaz. 327 Ayrıca, “Milli Gelir” verileri, yıllık olarak yayınlanmakta olup her ne
kadar yıllık değerleri bilinen bir değişkenin istatistiksel yöntemlerle aylık değerlerini
belirlemek mümkün olsa da, aylık veriye dönüştürülen değerlerin kullanıldığı ilişki
modellerinden elde edilen sonuçların güvenilirliği tartışmalı olmaktadır. 328
6. Makro ekonomik verilerin (örneğin, uluslararası turizm talebi tahmin
modellerinde gelir değişkeni yerine kullanılan GSMH, turistlerin gittikleri
ülkelerdeki harcamalarını yansıtmak için kullanılan TÜFE gibi), farklı ülkelerde
farkı yöntemlerle hesaplanması, ülkelerarası turist sayısı tahminlerinin sağlıklı
biçimde karşılaştırılmasını zorlaştırmaktadır. 329 Ayrıca, bazı ülkelere ilişkin verilerin
sağlıklı olarak temin edilememesi ayrı bir sorun oluşturmaktadır. Örneğin Rus
turistlere ilişkin istatistikler, bir süre Bağımsız Devletler Topluluğu (BDT) içinde
gösterildiğinden Türkiye’ye gelen Rus turist sayısı tam olarak bilinememektedir. 330
7. Yapılan literatür incelemesi neticesinde ilişkisel yöntemlerin çoğunlukla
belli başlı değişkenlerin bağımlı değişken üzerindeki etkilerinin araştırılması
amacıyla kullanıldığı görülmektedir. Talep teorisi; bir mal yada hizmetin talebinin ne
gibi değişkenler tarafından belirlendiği hakkında genel bir çerçeve çizmektedir. Bu
genel çerçeveden turistik talebe etki eden faktörlerin incelenmesi sırasında da
yararlanılmaktadır. Genellikle kabul edilen yaklaşım, turistik talebi etkileyebileceği
düşünülen çeşitli bağımsız değişkenler içeren bir model geliştirmek ve gerçek veriler
yardımıyla modelin parametrelerini tahmin etmektir. Bu çalışmaların üzerinde
durduğu ortak nokta, hangi değişkendeki ne kadarlık bir değişmenin talebi ne kadar
değiştireceği konusunda (yani talep elastikiyeti konusunda) tahminlerde bulunmaktır.
İlişkisel yöntemler kullanılarak yapılan ileriye yönelik tahminler bir çok problemi de
beraberinde getirmektedir. Örneğin; aylık verilerin kullanıldığı, gelen turist
327 İÇÖZ, O. (a), a. g. e., s. 133
328 ÖZMEN, A. (b), a. g. e., s. 8
329 ARCHER, B., a. g. e., s. 112
137

sayısındaki varyasyonun %85’ini açıklayan ve bağımsız değişkenlerin ”döviz
kurları”, turist gönderen ülkenin GSMH’sı ile gidilen ülkedeki TÜFE olduğu bir
regresyon modelini ele alalım. Sonraki aylar için gelen turist sayısını tahmin
edebilmek için, anılan değişkenlerin ileriye yönelik tahmin değerleri belirli bir
doğruluk ile tahmin edilemediği sürece modelin güvenilirliği azalacaktır. Ayrıca her
bir değişken için bir zaman serisi modelinin hazırlanması gerekmekte ve her serinin
de kendi hata terimlerini içerecek olması başka bir sorun olarak ortaya çıkmaktadır.
Turizm sektöründe kısa veya orta dönemli planlama çalışmaları için ileriye
yönelik özellikle aylık talep tahminleri, yukarıda bahsedilen sınırlılıklar nedeniyle
genellikle zaman serisi yöntemleri ile yapılmaktadır. Bu yöntemler turizm
talebindeki genel eğilimleri ve talebin yapısındaki değişiklikleri de dikkate
aldıklarından uygulamada yoğun olarak kullanılmaktadırlar.
3.5. Araştırmada Kullanılan Veriler
Araştırmada, Antalya iline yönelik dış turizm talebinin ölçüsü olarak gelen
toplam yabancı turist sayıları alınmıştır. Literatürde turizm talebinin ölçüsü olarak
gelen turist sayıları; turizm gelirleri; turistlerin geceleme sayıları ve doluluk
oranlarının kullanıldığı görülmektedir. Bunlar arasından en fazla kullanılan ölçüt
gelen turist sayılarıdır. 331 Song ve Witt, inceledikleri 1990-2004 yılları arasında
yapılmış kırk beş çalışmanın otuz yedisinde uluslararası turizm talebinin ölçüsü
olarak toplam yabancı turist sayılarının kullanıldığını belirtmişlerdir. 332
Çalışmada, Ocak 1992 – Aralık 2005 dönemine ait Antalya iline gelen aylık
yabancı turist sayısı verilerinden yararlanılmıştır. Veriler, Kültür ve Turizm
Bakanlığı tarafından yayımlanan turizm istatistikleri bültenlerinden ve Antalya İl
Kültür ve Turizm Müdürlüğü’nden temin edilmiştir. Aylık veriler, mevsim ve trend
330 DEMİRTAŞ, N. ve BAŞARAN, A., “Kriz Dönemleri ve Türkiye-Rusya İlişkileri, Rusya
Federasyonu Türkiye Turizm İlişkileri”, 2000’li yıllarda 2. Ulusal Türkiye Turizmi
Sempozyumu, İzmir, 2001
331 LIM, C., “Review of International Tourism Demand Models”, Annals of Tourism Research,
Volume: 24, No: 4, 1997, s. 839, SONG, H., TURNER L., a. g. e., s. 2, SONG, H., WITT, S.(b),
a. g.e., s. 216,
332 SONG, H. ve WITT, S.(b), a. g.e., s. 216
138

ileşenlerinin ele alınarak daha detaylı incelemeler yapılabilmesi için tercih
edilmiştir. Araştırmada kullanılan Ocak 1992 – Aralık 2005 dönemine ait Antalya
iline gelen aylık yabancı turist sayısı verileri Ek-1’de verilmiştir.
3.6. Araştırmanın Yöntemi
Çalışmada öncelikle, verilerin yapısına uygun yöntemlerin belirlenebilmesi
amacıyla verilerin zaman serisi özellikleri analiz edilerek seriyi etkileyen temel
bileşenler incelenecektir. Verilerin bileşenlerinin incelenmesinden sonra, 2004 ve
2005 yılları için mekanik tahmin, hareketli ortalamalar, üstel düzleştirme ve Box-
Jenkins yöntemlerinden, verilerin yapısına uygun modeller ve farklı mimarilere sahip
yapay sinir ağı modelleri ile Antalya iline yönelik örnek içi ve örnek dışı aylık
yabancı turist sayısı öngörüleri yapılacaktır. Modellerin ürettikleri öngörü değerleri,
gerçekleşmiş olan turist sayıları ile karşılaştırılarak hangi yöntemin daha gerçekçi
sonuçlar verdiği belirlenecektir. Her bir yöntemin öngörü doğruluğu, “Kök Ortalama
Kare Hata (RMSE)” ve “Ortalama Mutlak Yüzde Hata (MAPE)” istatistikleri
yardımıyla değerlendirilecektir. Yapılacak değerlendirmeler neticesinde en yüksek
öngörü doğruluğunu sağlayan yöntem ve model kullanılarak, 2006 ve 2007 yılları
için aylar itibariyle Antalya iline yönelik dış turizm talebi tahminleri yapılacaktır.
3.6.1. Verilerin Zaman Serisi Bileşenlerinin İncelenmesi
Çalışmada kullanılan, Ocak 1992 – Aralık 2005 döneminde Antalya iline
gelen aylık yabancı turistler serisine ilişkin kartezyen grafik Şekil 3.1.’de verilmiştir.
Kartezyen grafiğini incelemek suretiyle seriyi etkileyen temel bileşenleri görsel
olarak betimlemek mümkündür. Şekil 3.1.’deki grafik incelendiğinde serinin, artan
bir trend ile birlikte mevsimsel dalgalanmaların etkisinde olduğu gözlenmektedir.
Dalgalanma, birbirini izleyen yılların nisan aylarından itibaren artmaya başlayarak
Temmuz ve Ağustos aylarında en yüksek değere ulaşması, Ocak aylarında en düşük
değere ulaşması şeklinde meydana gelmektedir.
139

Turist Sayısı
1200000
1000000
800000
600000
400000
200000
0
1 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166
Aylar (Ocak 1992 - Aralık 2005)
Şekil 3.1. Antalya İline Gelen Yabancı Turistler Serisi Kartezyen Grafiği
(Ocak 1992 – Aralık 2005)
140

İncelenen zaman serisinin trend bileşenini tespit etmek amacıyla en küçük
kareler yöntemi ile yapılan trend analizi neticesinde, serinin pozitif bir trende sahip
olduğu tespit edilmiştir. Trend denkleminin geçerliliğini test etmek için yapılan F
testi ve zaman değişkeni katsayısının t testinin, 0.05 önem düzeyinde anlamlı olduğu
görülmüştür. Ocak 1992 – Aralık 2005 döneminde Antalya iline gelen yabancı
turistler serisinin doğrusal trend denklemi aşağıdaki gibi belirlenmiştir.
ˆ = 17431,
17 +
y t
2952,
289 *
t
Seriye ait trend ve konjonktürel bileşenleri gösteren grafik Şekil 3.2’de
verilmiştir. Grafikte görüldüğü gibi Antalya iline yönelik dış turizm talebinin yıllar
itibariyle artış göstermesi, seride pozitif yönde trend etkilerinin ortaya çıkmasına
neden olmuştur.
Turist Sayısı
700000
600000
500000
400000
300000
200000
100000
0
1 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166
Aylar (Ocak 1992 - Aralık 2005)
Şekil 3.2. Antalya İline Gelen Yabancı Turistler Serisi Trend ve Konjonktürel
Bileşenleri Kartezyen Grafiği
Seriye ait mevsim indeks değerlerini tespit etmek için mevsimsel ayrıştırma
işlemi uygulanmıştır. Literatürde zaman serilerinin mevsim indekslerinin
hesaplanması ve mevsimsel etkilerden arındırılmasında çeşitli yöntemler
kullanılmaktadır. Bunlar arasında “Hareketli Ortalamaya Oran (çarpımsal)”;
“Hareketli Ortalamadan Fark (toplamsal)”; “Çarpımsal Census X-11” ve “Toplamsal
Census X-11” yöntemleri sayılabilir. Bu çalışmada “Hareketli Ortalamaya Oran”
141

yöntemi kullanılmıştır. Mevsimsel ayrıştırma işlemi “SPSS 12.0” istatistik paket
programı yardımıyla yapılmış, hareketli ortalama ağırlıkları; seri on iki aylık düzenli
periyoda sahip olduğundan “Periyot+1 (Enpoints Weighted by 0.5)” aralığıyla
hesaplanmıştır. Analiz neticesinde elde edilen mevsim indeks değerleri Tablo
3.3.’de, mevsimsel etkilerden arındırılmış seriye ait grafik ise Şekil 3.3.’de
verilmiştir.
Mevsimsellikten Arındırılmış Değerler
Tablo 3.3. Antalya İline Gelen Yabancı Turistler Serisi Mevsim İndeks
Değerleri
800000
700000
600000
500000
400000
300000
200000
100000
0
Aylar
Mevsim İndeks
Değerleri
Ocak 0,20536
Şubat 0,2778
Mart 0,45924
Nisan 0,75789
Mayıs 1,23592
Haziran 1,39781
Temmuz 1,7883
Ağustos 2,00271
Eylül 1,63092
Ekim 1,50265
Kasım 0,47518
Aralık 0,26623
1 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166
Aylar (Ocak 1992 - Aralık 2005)
Şekil 3.3. Mevsimsel Etkilerden Arındırılmış Antalya İline Gelen Yabancı
Turistler Serisi Kartezyen Grafiği
142

3.6.2. Mekanik Tahmin Yönteminin Uygulanması
Çalışmada kullanılan Ocak 1992 – Aralık 2005 döneminde Antalya iline
gelen aylık yabancı turistler serisinde mevsimsel dalgalanmalar olması nedeniyle,
mevsimsel ve üçer aylık seriler için uygun olduğu belirtilen ve (2.8.) no’lu eşitlik ile
gösterilen “Naive III” modeli aylık serilere uygun olarak düzenlenerek
uygulanmıştır. Modelden elde edilen Ocak 2004 – Aralık 2005 dönemine ait öngörü
değerleri ile aynı döneme ait gerçekleşmiş değerler üzerinde yapılan öngörü
doğruluğu ölçüm sonuçları aşağıda verilmiştir.
MAPE = % 26,17
RMSE = 160045
3.6.3. Hareketli Ortalama Yönteminin Uygulanması
Antalya iline 2004 ve 2005 yıllarında gelen aylık turist sayısı öngörüleri
ikinci dereceden (n = 2) basit hareketli ortalama yöntemi ile yapılmıştır. Modelden
elde edilen öngörü değerleri ile gerçekleşmiş değerler üzerinde yapılan öngörü
doğruluğu ölçüm sonuçları aşağıda verilmiştir.
MAPE = % 21,90
RMSE = 105679
Çift hareketli ortalama yöntemi ile yapılan öngörülerde, (2.12.) no’lu eşitlikte
verilen t a ve (2.13.) no’lu eşitlikte verilen b t istatistikleri, serideki mevsimsel
dalgalanmalardan dolayı çeşitli dönemlerde negatif değerler almışlardır. Farklı
derecelerle (n = 1, n = 2, n = 3) yapılan denemelerde de benzer sonuçlar elde edilmiş,
bu nedenle bu yöntem hesaplamalara dahil edilmemiştir.
Ocak 1992 – Aralık 2005 döneminde Antalya iline gelen yabancı turistler
serisine uygulanan yöntemlerden elde edilen öngörü değerleri, Ek-2’de verilmiştir.
143

3.6.4. Mevsimsel Üstel Düzleştirme (Winters) Yönteminin Uygulanması
Çalışmada kullanılan zaman serisinin trende sahip olması ve mevsimsel
bileşenin etkisinde olması nedeniyle seri özelliklerini en iyi şekilde temsil edecek
üstel düzleştirme yönteminin “Winters’ın Mevsimsel Üstel Düzleştirme” yöntemi
olduğu söylenebilir.
Yöntemin uygulanması “SPSS 12.0” istatistik paket programı yardımıyla
yapılmıştır. Mevsim faktörleri olarak çarpımsal mevsimsel ayrıştırma işlemi ile elde
edilen ve Tablo 3.3.’de verilen mevsim indeks değerleri kullanılmıştır. Modelin
düzleştirme sabiti α , trend düzleştirme sabiti β ve mevsim düzleştirme sabiti γ
parametrelerinin hata kareleri toplamını minimum yapacak şekilde belirlenebilmesi
için “Grid Search” işlemi uygulanmıştır. Bu işlem neticesinde farklı parametre
değerleri ile hesaplanan en küçük hata kareleri toplamının elde edildiği,
α = 0,70
β = 0,00
γ = 0,00
parametre değerleri modelin düzleştirme katsayıları olarak kullanılmıştır.
Modele ait başlangıç değerleri bilgisayar yardımı ile aşağıdaki gibi
hesaplanmıştır:
L = 74460,41667 (Seviye başlangıç değeri)
s
b = 3090,79167 (Trend başlangıç değeri)
s
Mevsimsel üstel düzleştirme yönteminin uygulanması neticesinde elde edilen
Ocak 2004 – Aralık 2005 dönemine ait öngörü değerleri ile aynı döneme ait
gerçekleşmiş değerler üzerinde yapılan öngörü doğruluğu ölçüm sonuçları aşağıda
verilmiştir.
MAPE = % 9,65
RMSE = 55368
144

3.6.5. Box-Jenkins Yönteminin Uygulanması
Verilerin zaman serisi bileşenlerinin incelenmesi aşamasında, serinin artan bir
trende sahip olduğu ve mevsimsel bileşenin etkilerini taşıdığı belirlenmişti. Ocak
1992-Aralık 2005 döneminde Antalya iline gelen yabancı turistler serisinin (ATS)
zamana göre seyrini gösteren 3.1 no’lu grafik incelendiğinde, serinin ortalamada ve
varyansta durağan olmadığı ayrıca mevsimsel bileşenin zaman içinde değiştiği
görülmektedir.
Serinin mevsimsel bileşeninin zaman içinde sabit olmadığı durumda orijinal
serinin sabit mevsimsel değişmeler içeren bir seriye dönüştürülmesi gerekmekte, bu
da genellikle gözlem değerlerinin doğal logaritması alınarak yapılmaktadır. Bu
nedenle seri logaritmik dönüşüme tabi tutulmuş ve elde edilen LnATS serisinin
zaman grafiği, Şekil 3.4.’de verilmiştir.
14
13
12
11
10
9
8
92 93 94 95 96 97 98 99 00 01 02 03 04 05
Şekil 3.4. LnATS Serisi Zaman Grafiği
Şekil 3.4.’de LnATS serisinin ortalamada durağan olmadığı, ancak varyansta
durağanlığının sağlandığı yani mevsimsel bileşeninin sabit hale geldiği
görülmektedir. LnATS serisinin durağanlığının sınanması için Genişletilmiş Dickey-
Fuller (ADF) testi uygulanmış ve sonuçları aşağıda verilmiştir.
145

ADF Test İstatistiği 0.0741
1 % Kritik Değer* -2.5779
5 % Kritik Değer -1.9417
10 % Kritik Değer -1.6167
*Birim kök mevcut olduğu hipotezini reddetmek için Mc Kinnon kritik değeri
ADF testi sonucuna göre, τ istatistiği mutlak değerce τ MacKinnon kritik
değerinin mutlak değerinden küçük olduğundan, LnATS serisi için birim kökün
olduğu hipotezi reddedilememekte ve serinin durağan olmadığı anlaşılmaktadır.
Yukarıdaki bulgular, logaritmik dönüşüme tabi serinin “regular farkı”nın
alınması gerektiğini göstermiştir. Bu nedenle LnATS serisinin birinci farkı alınmış
ve elde edilen ∆LnATS serisinin otokorelasyon ve kısmi otokorelasyon fonksiyonu
şekil 3.5.’de verilmiştir. 333
333 Birim kök testleri ve Otokorelasyon fonksiyonları, EViews 3.0 bilgisayar paket programı
yardımıyla hesaplanmıştır.
146

Şekil 3.5. ∆LnATS Serisinin Oto Korelasyon ve Kısmi Oto Korelasyon
Fonksiyonu
Şekil 3.5.’deki ∆LnATS serisine ait korelogram incelendiğinde, gecikme
uzunluğu artarken otokorelasyon fonksiyonunun hızla azaldığı ve otokorelasyon
katsayılarının üçüncü gecikmede sıfırı kestiği görülmektedir. Bu durumda logaritmik
dönüşüme tabi serinin birinci farkının alınması ile elde edilen ∆LnATS serisinin
durağan olduğu söylenebilir. Elde edilen serinin durağanlığının sınanması amacıyla
uygulanan ADF testinin sonuçları aşağıda verilmiştir.
147

ADF Test İstatistiği -7.8423
1 % Kritik Değer* -2.5779
5 % Kritik Değer -1.9417
10 % Kritik Değer -1.6167
*Birim kök mevcut olduğu hipotezini reddetmek için Mc Kinnon kritik değeri
ADF testi sonucuna göre ∆LnATS serisi için birim kökün mevcut olduğu
hipotezi reddedilmiş ve logaritmik dönüşüme tabi serinin birinci dereceden durağan
olduğu sonucuna varılmıştır.
Şekil 3.5.’de verilen ∆LnATS serisine ait korelogram incelendiğinde,
mevsimsel gecikmelerde (1, 12, 24,...) otokorelasyon katsayılarının birbirlerine
benzer bir yapı ortaya koydukları ve bu yapıların diğer gecikmelerde de devam ettiği
gözlenmektedir. Ayrıca mevsimsel gecikmelerde otokorelasyon katsayılarının büyük
oldukları ve çok yavaş azaldıkları görülmektedir. Otokorelasyon katsayılarının
mevsimsel gecikmelerde zirveye ulaştığının görülmesi ve yavaş azalmaları,
“mevsimsel durağan olmamanın” göstergesi olarak kabul edilmektedir. Bu durumda
mevsimsel fark almanın uygun olduğuna karar verilmiştir. Bu nedenle ∆LnATS
serisinin “mevsimsel farkı” alınmış ve elde edilen ∆∆12LnATS serisinin zaman
grafiği şekil 3.6.’da verilmiştir. Şekilde, serinin mevsimsellikten kurtulduğu ve sabit
bir ortalama etrafında rassal olarak dalgalandığı görülmektedir.
1.5
1.0
0.5
0.0
-0.5
-1.0
-1.5
92 93 94 95 96 97 98 99 00 01 02 03 04 05
Şekil 3.6. ∆∆12LnATS Serisi Zaman Grafiği
148

∆∆12LnATS serisine ait otokorelasyon ve kısmi otokorelasyon fonksiyonu
şekil 3.7.’de verilmiştir. Şekil incelendiğinde, yapılan dönüşümler neticesinde
durağanlık özelliği gösteren seride artık ne trend ne de mevsimsel etkilerin kalmadığı
gözlenmektedir. Güven sınırları dışında kalan birkaç otokorelasyon katsayısının,
serideki aykırı değerler ve bu dönemdeki aşırı değişkenlik nedeniyle ortaya çıktığı
kabul edilmiştir.
Şekil 3.7. ∆∆12LnATS Serisinin Oto Korelasyon ve Kısmi Oto Korelasyon
Fonksiyonu
149

Daha önce de ifade edildiği gibi Box-Jenkins yöntemi ile model kurma
sürecinin ilk aşaması, deneme niteliğindeki modellerin belirlenmesidir. Bu aşamada
oto korelasyon ve kısmi oto korelasyon fonksiyonları ile seriye uygulanan
dönüşümlerden yararlanılmaktadır. Yapılan analizler sonucunda birinci derece regular
fark ve birinci derece mevsimsel farkı alınan serinin durağanlığının sağlandığı
görüldüğünden,
Regular fark için d = 1
Mevsimsel fark için D = 1 (s = 12)
uygun fark alma mertebeleri olarak belirlenmiştir. Ayrıca seriye ait oto
korelasyon ve kısmi oto korelasyon fonksiyonları incelenerek çeşitli modeller
denenmiş, AR ve MA süreçleri için uygun mertebelerin,
AR mertebesi p = 1
MA mertebesi q = 1
Mevsimsel AR mertebesi P = 1
Mevsimsel MA mertebesi Q = 1
olduğu belirlenmiştir. Bu sonuçlar, logaritmik dönüşüme tabi Antalya iline
gelen yabancı turistler serisi için uygun modelin “Çarpımsal-Mevsimsel ARIMA
Modeli” olarak ifade edilen ARIMA(1,1,1)(1,1,1)12 olduğunu göstermektedir.
Belirlenen modelin parametrelerine ait başlangıç tahminleri, nihai tahminlerin
elde edilmesi amacıyla kullanılan tekrarlı sürece başlamak için gerekmektedir. SPSS
12.0 paket programı ile her iterasyonda hesaplanan değerler tablo 3.4.’de, elde edilen
nihai parametre tahminleri ise tablo 3.5.’de verilmiştir. Tablo 3.5.’de, belirlenen
modelin parametre tahminlerine ait t-değerlerinin tümünün α = 0,
00 önem düzeyinde
(ayrıca mevsimsel parametre tahminlerinin t > 1,
25 olmaları nedeniyle 334 )
istatistiksel açıdan önemli oldukları görülmektedir.
334 Mevsimsel gecikmelerin anlamlılığının test edilmesinde kullanılan t-test istatistiği için kritik değer
1,25 olarak alınmaktadır. Bilgi için bkz. AKGÜL, I. (a), a.g.e., s. 206
150

Tablo 3.4. ARIMA Modeli Başlangıç Tahminleri
İterasyon
Hata Kareleri
Toplamı
AR(1) MA(1) SAR(1) SMA(1) Constant
Başlangıç 10,989614 0,91693 0,94012 -0,01770 0,49649 -0,00323
1 10,973856 0,92402 0,94012 0,10827 0,62647 -0,00340
2 10,625667 0,87570 0,94012 0,10288 0,63183 -0,00256
3 10,306979 0,81426 0,94012 0,10801 0,63682 -0,00206
4 10,160382 0,76980 0,94012 0,11502 0,64296 -0,00185
5 9,9880341 0,75489 0,98898 0,12032 0,64780 -0,00138
6 9,987388 0,75345 0,98898 0,12155 0,64667 -0,00138
7 9,9806572 0,75247 0,99332 0,12124 0,64684 -0,00136
8 9,9798104 0,75237 0,99407 0,12121 0,64685 -0,00136
Tablo 3.5. ARIMA (1,1,1,)(1,1,1,)12 Modeli Tahmini
Değişken Tahmin Standart Hata t- istatistiği Olasılık
AR(1) 0,75236964 0,06371128 11,809049 0,00000000
MA(1) 0,99406673 0,11718579 8,482827 0,00000000
SAR(1) 0,12120544 0,14624687 13,86623 0,00000000
SMA(1) 0,64685184 0,12225799 5,290876 0,00000042
Constant -0,00135992 0,00103874 -1,309210 0,19246525
Gözlem Sayısı 168
Fark Alındıktan Sonraki Gözlem Sayısı 155
Akaike Bilgi Kriteri (AIC) 24,7662
Hata Kareleri Toplamı 9,9798104
Standart Hata 0,25093074
Dönüşüm ve Fark Alma
Tabi logaritması alınan serinin ilk farkı
ve mevsimsel (s = 12) farkı
Yukarıda elde edilen tahmin sonuçlarından hareketle, Antalya iline gelen
yabancı turistler serisi için uygun bulunan ARIMA(1,1,1,)(1,1,1,)12 modelinin açılımı
∆∆
12
12
LNT = ( 1−
B)(
1−
B ) LNT
t
12
( 1−
0,
99B)(
1−
0,
64B
)
=
ε 12 t
( 1−
0,
75B)(
1−
0,
12B
)
olarak ifade edilebilir.
t
151

Belirleme ve parametre tahminlerinin ardından model artıklarının (residuals)
analizine geçilmiştir. Elde edilen ARIMA(1,1,1,)(1,1,1,)12 modelinin artıklarına ait
otokorelasyon ve kısmi otokorelasyon fonksiyonu Şekil 3.8.’de verilmiştir.
Şekil 3.8. ARIMA(1,1,1)(1,1,1)12 Modeline Ait Artıklar Serisinin Oto
Korelasyon ve Kısmi Oto Korelasyon Fonksiyonu
Şekil 3.8.’de model artıklarına ait OKK ve KOKK’larının, [ ± 1,96*Standart
Hata] olarak tanımlanan güven sınırları içinde yer aldığı görülmekte, bunun da
modelin yeterliliği için önemli bir kriter olduğu kabul edilmektedir. Bu aşamada,
152

model artıklarının rassal (beyaz gürültü) olup olmadığı ve aralarında otokorelasyon
olup olmadığını sınamak için
modeller için;
Q
*
2
rk
2
= n(
n + 2)
∑ ~ χ ( k − p − q − P − Q)
n − k
formülü ile hesaplanan
153
*
Q istatistiği değerlerine bakılmıştır. Mevsimsel
*
Q test istatistiği, tüm OKK’larının sıfır olduğunu
vurgulayan = ... = 0 r r r H hipotezi altında (k-p-q-P-Q) serbestlik derecesinde
0 : 1 = 2 k
2
χ dağılımına sahiptir. Mevsimsel OKK’ları hakkında bilgi sağlamak amacıyla,
gecikme uzunluğu (k) büyük seçilmekte ve aylık verilerde k = 36 uzunluğu yeterli
kabul edilmektedir. Modele ait artıklar serisi için 12, 24 ve 36. gecikmelere göre
2
istatistikleri ve χ değerleri Tablo 3.6.’da verilmiştir.
Tablo 3.6. Artıklar Serisinin Çeşitli Gecikmeleri İçin Q * İstatistiği ve
2
χ Değerleri
2
χ Tablo
Gecikme(k)
*
Q İstatistiği
( α = 0,
05 )
Serbestlik
Derecesi
12 12,900 28,2995 8
24 22,416 45,5585 20
36 37,388 53,6720 32 ≅ 30
* 2
Tablo 3.6. incelendiğinde; 12, 24 ve 36, gecikmeler için Q < χ tablo
olduğundan, α = 0,05 önem düzeyinde sıfır hipotezi kabul edilmiştir. Bu sonuç;
modele ait artıklar arasında önemli otokorelasyon olmadığını, artıklar serisinin rassal
bir sürece sahip olduğunu ve seçilen modelin uygunluğunu ortaya koymaktadır.
Öngörü için uygun bulunan ARIMA(1,1,1)(1,1,1)12 modelinde logaritmik
dönüşüme tabi seri değerleri kullanıldığından dolayı, nihai öngörünün orjinal veri
cinsinden ifade edilebilmesi için sonuçların anti-logaritmaları alınmıştır. Modelin
Antalya iline gelen turistler serisine uygulanması ile elde edilen Ocak 2004 – Aralık
2005 dönemine ait öngörü değerleri ile aynı döneme ait gerçekleşmiş değerler
üzerinde yapılan öngörü doğruluğu ölçüm sonuçları aşağıda verilmiştir.
MAPE = % 8,58
RMSE = 45494
*
Q

3.6.6. Yapay Sinir Ağı Yönteminin Uygulanması
Son yıllarda, zaman serisi tahminlerinde kullanılmaya başlayan yöntemlerden
birisi yapay sinir ağlarıdır. Yapay sinir ağları kullanılarak mevsimsel zaman
serilerinin tahmini üzerine yapılan sınırlı sayıdaki çalışmalarda, farklı görüşler
mevcuttur. Bazı araştırmacılar mevsimsel zaman serilerinin tahmininde iyi sonuç
elde etmek için mevsimsel etkinin giderilmesi gerektiğini söylerken, bazıları da
yapay sinir ağlarının mevsimsel etkileri öğrenme kabiliyetine sahip olduğunu ve
herhangi bir ön işleme yapmaya gerek olmadığını belirtmişlerdir. 335
Ocak 1992 – Aralık 2005 döneminde Antalya iline gelen yabancı turistler
serisinin yapay sinir ağları ile modellenmesinde, literatürdeki farklı görüşler dikkate
alınarak orijinal seri (OS) ve çarpımsal mevsimsel ayrıştırma yöntemi ile elde edilen
mevsimsel etkilerden arındırılmış seri (SAS) olmak üzere iki ayrı veri seti
kullanılarak oluşturulan farklı ağ yapılarının öngörü başarıları incelenmiştir.
Çalışmada kullanılan 168 aylık verinin, % 85’i eğitim, % 15’i de test verisi şeklinde
rassal olarak gruplandırılmış ve (OS) için beş, (SAS) için beş toplam on farklı veri
seti oluşturulmuştur. Yöntemin uygulanması “Matlab 7.0” bilgisayar programı’nın
yapay sinir ağları modülü (Neural Network Toolbox) ile gerçekleştirilmiştir. Veriler,
bilgisayara girilmeden önce normalize edilmiş, yani “-1 ile 1” arasında bir değer
alabilmesi için tüm veriler serideki en büyük sayıdan daha büyük bir sayıya
bölünerek elde edilen rakamlar kullanılmıştır.
OS ve SAS serilerinin yapay sinir ağı ile modellenmesinde, ilgili çalışmalarda
(Palmer, Montaño ve Sesé 336 , Zhang ve Qi 337 , Kajıtani, Hipel ve Mcleod 338 )
önerildiği gibi; giriş katmanında farklı zaman gecikmelerindeki seri değerleri
( 12
yt − 1, yt
−3,
yt
− ....... yt
−k
) , çıkış katmanında ise gecikmesiz seri değerleri ( y t )
kullanılmıştır. Oluşturulan 10 veri setinin her biri için değişik gizli katman sayıları
335 ZHANG, G. P. ve QI, M., “Neural Network Forecasting For Seasonal and Trend Time Series”,
European Journal of Operational Research, Vol: 160, No: 2, 2005, s. 501
336 PALMER, A., MONTAÑO, J. J. ve SESÉ, A., a. g. e., s. 5
337 ZHANG, G. P. ve Qİ, M., a. g. e., s. 509
338 KAJITANI, Y., HIPEL, K. W. ve MCLEOD, I. A., “Forecasting Nonlinear Time Series with Feed-
Forward Neural Networks: A Case Study of Canadian Lynx Data”, Journal of Forecasting,
Volume: 24, 2005, s. 108
154

(1-7 arasında), değişik nöron sayıları (1-7 arasında) ile modeller kurulmuş ve farklı
iterasyon (epoch: 5000-30000) sayılarında denemeler yapılarak eğitim
gerçekleştirilmiş daha sonra test için ayrılan veriler ile kurulan tüm modeller test
edilmiştir. Test işlemi sonucunda bulunan öngörü değerleri, gerçek değerlerle
karşılaştırılmış ve önce her grup için, daha sonra tüm gruplar arasından hata kareleri
ortalamasının karekökü (RMSE) ve ortalama mutlak yüzde hata (MAPE) ölçüleri
dikkate alınarak değişik mimarilere sahip yapay sinir ağı modellerinin öngörü
performansları karşılaştırılmıştır.
Yapılan çok sayıda deneme sonucunda, ön işlemeye tabi tutulmamış seri (OS)
kullanılarak oluşturulan yapay sinir ağı modellerinin, mevsimsellikten arındırılmış
seri (SAS) ile kurulan modellere göre daha iyi sonuçlar verdiği, modellerdeki gizli
katman ve gizli katmandaki nöron sayıları arttıkça modellerin öngörü başarılarının
azaldığı tespit edilmiştir. Farklı mimarilere sahip yapay sinir ağı modelleri ile yapılan
denemelerden elde edilen öngörü sonuçları tablo 3.7’de özet olarak verilmiştir.
Tablo 3.7. Farklı Mimarilere Sahip Yapay Sinir Ağı Modelleri ile Yapılan
Deneme Sonuçları
Kullanılan
Zaman
Serisi
OS1 t−1
OS2 3
OS3 12
SAS1 1
SAS2 3
SAS3 −12
Giriş
Katmanı
Giriş
Katmanındaki
Nöron Sayısı
Gizli
Katman
Sayısı
Gizli
Katmandaki
Nöron
Sayısı
Çıkış
Katmanı
155
MAPE
(%) RMSE
y (k=1) 12 3 7 y t 7,56 37480
y t−
(k=3) 4 2 5 y t 17,09 82463
y t−
(k=12) 6 1 3 y t 5,61 26337
y t−
(k=1) 12 3 7 y t 10,73 66941
y t−
(k=3) 4 2 5 y t 22,94 108003
y t (k=12) 6 1 3 y t 9,22 64629
Tablo 3.7. incelendiğinde gerçek değerlere en yakın sonuçları veren yapay
sinir ağı modelinin, orijinal seri değerleri kullanılarak oluşturulan k=12 gecikmeli
“OS3” modeli olduğu görülmektedir. Modele ait MAPE ve RMSE değerleri,
gerçekleşmiş turist sayıları ile yapay sinir ağı modelinden elde edilen öngörü
sonuçları arasındaki sapmaların çok küçük olduğunu göstermektedir. Modelde bir
giriş katmanı, bir gizli katman ve bir çıkış katmanı bulunmaktadır. Giriş katmanında

altı, gizli katmanda üç, çıkış katmanında ise bir nöron bulunmaktadır. Elde edilen
“OS3” yapay sinir ağı modelinin giriş ve çıkış katmanlarında kullanılan veri
matrisinin yapısı şekil 3.9.’da verilmiştir.
Girişler Çıkışlar
t 12 t 24 t 36 t 48 t 60 t 72 t 84
t 24 t 36 t 48 t 60 t 72 t 84 t 96
t
t 36 t 48 t 60 t 72 t 84 t 96
108
t 48 t 60 t 72 t 84 t 96 t 108 t 120
------------------------------------------- -----------t
t 96 t 108 t 120 t 132 t 144 t 156
168
Şekil 3.9. “OS3” Yapay Sinir Ağı Modelinde Kullanılan Veri Matrisi
Modelde “ileri sürümlü (feed forward)” ağ yapısı kullanılmış, parametrelerin
güncellenmesi için “hata geriye yayma (back propagation)” algoritmasından
yararlanılmıştır. Transfer fonksiyonu olarak “Logaritmik Sigmoid”, eğitim
fonksiyonu olarak “Trainlm”, performans fonksiyonu olarak ise “Hata Kareleri
Ortalaması” seçilmiştir. Ağın eğitimi için 9125 iterasyon (epoch) gerçekleştirilmiştir.
Şekil 3.10. elde edilen yapay sinir ağı modelini temsil etmektedir.
yt−12
yt−24
yt−36
yt−48
yt−60
yt−72
[Giriş Katmanı] [Gizli Katman] [Çıkış Katmanı]
Şekil 3.10. Denemeler Sonucunda Elde edilen Yapay Sinir Ağı Modeli
156

3.6.7. Yöntemlerin Karşılaştırılması ve Antalya İline Yönelik Dış Turizm
Talebi Tahminlerinin Yapılması
Antalya iline yönelik dış turizm talebi tahminlerinde kullanılacak uygun
modelin belirlenmesi amacıyla gelen yabancı turistler serisine uygulanan
yöntemlerden elde edilen öngörü değerleri ile gerçekleşmiş değerler üzerinde yapılan
doğruluk ölçümü sonuçları Tablo 3.8.’de verilmiştir.
Tablo 3.8. Farklı Yöntemlerin Öngörü Doğruluklarının Karşılaştırılması
Uygulanan Yöntem MAPE (%) RMSE
Mekanik Tahmin (Naive III) 26,17 160045
Hareketli Ortalamalar 21,90 105679
Mevsimsel Üstel Düzleştirme (Winters) 9,65 55368
Box-Jenkins ARIMA(1,1,1)(1,1,1)12 8,58 45494
Yapay Sinir Ağı (OS3) 5,61 26337
Daha önce de değinildiği gibi, literatürde MAPE değeri %10’un altında 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
hatalı” olarak sınıflandırılmaktadır. 339 Tablo 3.8’de görüldüğü gibi yapay sinir ağları,
mevsimsel üstel düzleştirme ve Box-Jenkins yöntemleri ile yapılan öngörüler iyi
sonuçlar vermiştir. Ancak, denemeler sonucunda elde edilen “OS3” yapay sinir ağı
modelinin, mekanik tahmin yöntemi, hareketli ortalamalar, mevsimsel üstel
düzleştirme ve Box-Jenkins yöntemleri ile elde edilen modellere göre daha düşük
sapma değerlerine sahip olduğu görülmektedir. Bu konuda daha önce yapılan
çalışmalarda da (Pattie ve Snyder 340 , Choi, Kim ve An 341 , Law 342 , Law ve Au 343 ,
Burger, Donhal, Cathrada ve Law 344 , Baldemir ve Bahar 345 , Güngör ve Çuhadar 346 )
339
WITT, S. F. ve WITT C. (a), a. .g. e., s. 137, LEWIS. C.D., a. g. e., s. 40
340
PATTIE, D. C. ve SNYDER J., a. g.. e., s. 151-164
341
CHOI, H.Y., KIM, W. ve AN, S.Y., a.g.e., s. 121-136
342
LAW, R. (a), a. g. e., s. 234-239
343
LAW, R. ve AU, N., a. g. e., s. 89-97
344
BURGER, C.J.S.C., DOHNAL, M., KATHRADA, M. ve LAW, R., a. g. e., s. 403-409
345 BALDEMİR, E. ve BAHAR, O., a. g. e., s. 152-169
346 GÜNGÖR, İ. ve ÇUHADAR, M., a.g.e., s. 84-99
157

yapay sinir ağları ile elde edilen modellerin diğer yöntemlerle kurulan modellere
göre daha iyi sonuçlar verdiği görülmektedir. Uygulanan yöntemlerin öngörü
doğruluklarının karşılaştırılması neticesinde, 2006 ve 2007 yılları için Antalya iline
yönelik dış turizm talebi tahminleri için “OS3” yapay sinir ağı modelinin
kullanılmasına karar verilmiştir.
Bu amaçla, “OS3” yapay sinir ağı modelinin giriş katmanında yer alan ilk 12
gecikmeli seri ( 12 96 ....t t ) kaldırılarak, çıkış katmanında yer alan 2005 yılı verilerini
içeren ( 84 168 .....t t ) serisi giriş katmanına eklenmiş ve 2006 yılı tahmin değerlerini
içeren ( 96 180 ....t t ) serisi elde edilmiştir. Daha sonra modelin giriş katmanında yer alan
ikinci 12 gecikmeli seri ( t 108 ) giriş katmanından çıkarılarak, elde edilen 2006
24 ....t
yılı tahmin değerlerini içeren ( t 180 ) serisi giriş katmanına eklenmiş ve 2007 yılı
96 ....t
tahmin değerlerini içeren ( 108 192 ....t t ) serisi elde edilmiştir. “OS3” yapay sinir ağı
modeli kullanılarak üretilen tahmin değerleri tablo 3.9.’da verilmiştir.
Tablo 3.9. 2006 ve 2007 Yılları İçin Aylar İtibariyle Antalya İline Yönelik Dış
Turizm Talebi Tahminleri
Aylar
(2006)
Turist Sayıları
Aylar
(2007)
Turist Sayıları
Ocak 98913 Ocak 107680
Şubat 132496 Şubat 142632
Mart 211470 Mart 236480
Nisan 379108 Nisan 410456
Mayıs 639792 Mayıs 699510
Haziran 700840 Haziran 754125
Temmuz 878121 Temmuz 944465
Ağustos 948242 Ağustos 1021688
Eylül 777477 Eylül 815486
Ekim 725219 Ekim 778994
Kasım 235105 Kasım 221694
Aralık 128987 Aralık 117434
158

SONUÇ VE ÖNERİLER
Turizm, ilgili ülkelerde yarattığı ekonomik sonuçlar açısından
değerlendirildiğinde, bütün ülkelerin bu sonuçlardan yararlanmak için büyük çaba
gösterdiği bir faaliyet olarak kabul edilmektedir. Özellikle ödemeler dengesine olan
katkısı ve doğurduğu ekonomik canlılık, pek çok ülke için turizmi cazip bir hale
getirmiş olup kalkınma planlarında geniş bir yer verilmesini sağlamıştır. Bir ülke
ekonomisi için turizm bir kazanç kaynağı ve döviz girdisi sağlayan olay olarak ne
kadar önemli ise, bölgelerarası ekonomik dengesizliğin giderilmesi; yeni iş
alanlarının açılması sayesinde işsizliğin azaltılması; tarım, ulaştırma, hizmetler ve
diğer turizmle doğrudan ve dolaylı olarak ilgili bulunan ticari faaliyetlerin canlılık
kazanması ve üretimin artırılması gibi parasal olmayan etkileri de o derece
önemlidir. Ancak turizmin sayılan özelliklerinden faydalanabilmek için gerek kamu,
gerekse özel sektörde geleceğe yönelik kararların alınmasında turizm talebi
tahminlerinin önemi oldukça büyüktür.
Bilimsel temele dayanan yöntemlerle turizmdeki gelişmelerin tahmin
edilmesi, yönetici durumunda bulunanların karar almalarını da kolaylaştıran bir
olanaktır. Turistik yatırımların itici gücünü talep oluşturmakta ve yatırımlar talebin
sayısal ve niteliksel özelliklerinin bir fonksiyonu olarak ortaya çıkmaktadır. Çok
büyük yatırımların yapıldığı turizm projelerinin başarısı, gelecekteki talebin ve pazar
yapısının tahminine, dolayısıyla arz kaynaklarının talebe uygun hale getirilmesine
bağlıdır. Güvenilir ve doğru talep tahminleri başta konaklama, ulaştırma ve seyahat
olmak üzere turizm sektörü ile ilgili bütün faaliyetlerin etkili bir şekilde
planlanabilmesi için gereklidir. Bu nedenle, kullanılan verilerin özelliklerine uygun
ve en doğru öngörüleri veren yöntemin belirlenmesi, ileriye yönelik olarak yapılacak
talep tahminlerinin güvenilirliği açısından son derece önemlidir.
Bu çalışmada zaman serisi yöntemlerinden, “Mekanik Tahmin (Naive III),
“Hareketli Ortalamalar”, “Winters’ın Mevsimsel Üstel Düzleştirme”, “Box-Jenkins
(ARIMA)” ve “Yapay Sinir Ağları” yöntemlerinin öngörü doğruluklarını
karşılaştırarak en yüksek doğruluğu sağlayan yöntem ve modelin belirlenmesi ve
belirlenen model yardımıyla 2006–2007 yılları için Türkiye’nin önemli bir turizm
159

merkezi olan Antalya iline yönelik dış turizm talebinin aylar itibariyle tahmin
edilmesi amaçlanmıştır.
Uygulanan yöntemlerden elde edilen öngörü sonuçlarının değerlendirilmesi
neticesinde, çalışmada kullanılan serinin trende sahip olması ve mevsimsel bileşenin
etkilerini taşıması nedeniyle bu tip seriler için uygun olduğu belirtilen “Winters’ın
Mevsimsel Üstel Düzleştirme” ve “Çarpımsal – Mevsimsel Box-Jenkins” yöntemleri
ile yapılan öngörülerin oldukça iyi sonuçlar verdiği söylenebilir. Winters’ın
mevsimsel üstel düzleştirme yönteminin en önemli avantajı; trendin yanı sıra
mevsimsel dalgalanmaya sahip veriler üzerinde uygulanabilmesidir. Benzer şekilde
Box-Jenkins modelleri de, öngörü için ek bilgi gerektirmemesi ve özellikle kısa ve
orta dönem öngörü başarısının yüksek olduğunun çeşitli çalışmalarda ortaya konmuş
olması nedeni ile yaygın kullanım alanı bulmuşlardır. Bunun yanında, çeşitli model
seçenekleri arasında uygun olanı seçme ve seçilen modelin her aşamada incelenen
seriye uygunluğunu denetleme gibi üstünlüklere sahip oldukları söylenebilir.
“Mevsimsel Box-Jenkins” yönteminin diğer yöntemlere göre üstünlüğünün ise,
mevsimselliği modelde tanımlaması olduğu vurgulanmaktadır. Ancak, çalışmada
kulanılan yöntemler içerisinde en yüksek öngörü doğruluğunu sağlayan ve gerçek
değerlere en yakın sonuçları veren yöntemin, “Yapay Sinir Ağları” olduğu
görülmüştür. Yapay sinir ağları, veriler arasındaki doğrusal olmayan ilişkileri
öğrenip genelleme yapabilmekte ve bu sayede daha önce hiç karşılaşmadığı sorulara
kabul edilebilir bir hatayla cevap bulabilmektedirler. Bu özellikleri nedeniyle yapay
sinir ağları, tahminlemede etkili bir yöntem olarak kullanılmaktadır. Gerek bu
çalışmadan elde edilen sonuçlar, gerekse daha önce yapılan çalışmalardan elde edilen
sonuçlar dikkate alındığında; aşırı eğitme, mimarinin hatalı oluşturulması vb.
problemleri olmayan yapay sinir ağı modellerinin diğer yöntemlerle kurulan
modellere göre daha iyi sonuçlar verdiği görülmektedir. Bu nedenle verilerin
yapısına en uygun mimarilerin oluşturulması için özen göstermek gerekmektedir.
Yapay sinir ağlarının, sahip oldukları farklı özellikleri sayesinde turizm talebi
tahminlerinde geleneksel yöntemlere alternatif olarak kullanılabileceği söylenebilir.
Yapay sinir ağı algoritmalarının, doğrusal olmayan ve dinamik sistemleri
modellemede yararlı olduğu bir çok araştırmacı tarafından kabul edilmektedir. Ancak
160

istatistiksel yöntemler beraberinde sorun alanına ilişkin anlaşılabilir ve yorumlamaya
imkan veren parametreler üretmesine karşın, yapay sinir ağlarındaki bağlantı
ağırlıklarını henüz yorumlama imkanı bulunmamaktadır. Bu nedenle yapay sinir
ağları ile ulaşılan sonuçlarda modelin kapalı bir kutu olarak kaldığı da
unutulmamalıdır.
İleriye yönelik yapılacak çalışmalar için; farklı mimarilere sahip yapay sinir
ağı modelleri kullanılarak, Türkiye’ye veya belirli bir bölgeye yönelik iç ve dış
turizm talebi; belirli bir bölge veya il sınırları içerisinde faaliyet gösteren konaklama
işletmelerindeki doluluk oranları; yerli ve yabancı konukların konaklama
işletmelerindeki geceleme sayıları ve ortalama kalış sürelerine ilişkin tahmin
çalışmaları önerilebilir. Ayrıca yapay sinir ağları ile zaman serisi tahmin
yöntemlerinin birleştirildiği melez modellerin tahmin performansları araştırılabilir.
Ülkemizde gerek yapay sinir ağları, gerekse melez yaklaşımlarla mevsimsel turizm
serilerinin modellenmesi ve tahmini ile ilgili çalışmaların sınırlı sayıda olduğu
dikkate alınırsa, önerilen çalışmaların Türkiye’deki turizm literatürüne ve turizm
sektöründeki uygulamacılar ile karar verme konumunda olan yöneticilerin geleceğe
yönelik planlama çalışmalarına önemli katkılar sağlayacağı söylenebilir.
161

Kitaplar:
KAYNAKÇA
AHİPAŞAOĞLU, H. S. ve ARIKAN, İ., Seyahat İşletmeleri Yönetimi ve
Ulaştırma Sistemleri, Detay Yayıncılık, Ankara, 2003
AKAT, Ö. Turizm İşletmeciliği, Ekin Kitabevi, Bursa, 2000
AKDİ, Y., Zaman Serileri Analizi (Birim Kökler ve Kointegrasyon), Bıçaklar
Kitabevi, Ankara, 2003
AKGÜL, I. (a), Zaman Serilerinin Analizi ve ARIMA Modelleri, Der Yayınları,
İstanbul, 2003
AKMUT, Ö., AKTAŞ, R. ve BİNAY, H. S., Öngörü Teknikleri ve Finans
Uygulamaları, Siyasal Kitabevi, Ankara, 1999
ANDAÇ, F., Turizm Hukuku, Detay Anatolia Akademik Yayıncılık Ltd., Ankara,
2003
ARMUTLULU, İ. H., İşletmelerde Uygulamalı İstatistik, Alfa Basım Yayın
Dağıtım Ltd. Şti., İstanbul, 2000
BAHAR, O. ve KOZAK, M., Uluslararası Turizm ve Rekabet Edebilirlik, Detay
Yayıncılık, Ankara, 2005
BARUTÇUGİL, İ. S. (a), Turizm Ekonomisi ve Turizmin Türkiye
Ekonomisindeki Yeri, Beta Basım Yayım Dağıtım A.Ş., İstanbul, 1986
BARUTÇUGİL, İ. S. (b), Turizm İşletmeciliği, 3. Baskı, Beta Basım Yayım ve
Dağıtım A.Ş., İstanbul, 1989
BAŞOĞLU, U., PARASIZ, İ., İktisadi Verilerin Analizi Ve Temel Öngörü
Yöntemleri, Ekin Kitabevi, Bursa, 2003
Batı Akdeniz Ekonomisini Geliştirme Vakfı (BAGEV), Bölgesel Gelişim Raporu-I,
Doğuşum Matbaacılık Ltd., Ankara, 2003
BOX, G.E.P. ve JENKINS. G., “Time Series Analysis: Forecasting and Control”,
HoldenDay, Lancaster, l976
BULL, A., The Economics of Travel and Tourism, 2nd. Edition, Addison Wesley
Longman Australia Pty Ltd., Melbourne, 1995
BULUT, E. (a), Turizmin Türkiye Ekonomisindeki Yeri ve Ekonomik Etkileri,
E-Kitap Yayın, Ankara, 1999
162

BÜLBÜL, S. E., Çözümsel İstatistik, Alfa Basım Yayın Dağıtım Ltd. Şti., İstanbul,
2001
COOPER, C. P., FLETCHER, J., GILBERT, D. ve WANHILL, S., Tourism:
Principles and Practice, Addison-Wesley Longman, Limited, Harlow Essex, 1999
ÇAKICI, M., OĞUZHAN, A. ve ÖZDİL, T., Temel İstatistik, İzmir, 1999
ÇEKEN, H., Küreselleşme, Yabancı Sermaye ve Türkiye Turizmi, Değişim
Yayınları, İstanbul, 2003
DANIEL W. ve TERREL J. C., Business Statistics for Management and
Economics, Houghton Mifflin Company, Boston, 1995
DE LURGIO, S. A., Forecasting Principles and Applications, Irwin / Mc Graw -
Hill, Boston, 1998
DİNLER, Z., İktisada Giriş, Ekin Kitabevi, Bursa, 2003
EFE, Ö. ve KAYNAK, O., Yapay Sinir Ağları ve Uygulamaları, Boğaziçi
Üniversitesi Yayınevi, İstanbul, 2000
ELMAS, Ç., Yapay Sinir Ağları (Kuram, Mimari, Eğitim, Uygulama), Seçkin
Yayıncılık, Ankara, 2003
EMEKSİZ, M., Beş Yıldızlı Otel İşletmeleri için Getiri Yönetimi Uygulama
Modeli, Anadolu Üniversitesi Yayın No: 1337, Eskişehir, 2002
ERALP, Z., Genel Turizm, Ankara Üniversitesi, Basın Yayın Yüksekokulu
Yayınları, No:3, Ankara, 1983
ERDOĞAN, H., Ekonomik, Sosyal, Kültürel ve Çevresel Yönleriyle Uluslar
arası Turizm, Uludağ Üniversitesi Yayını, Form Ofset, Çanakkale, 1996
ERKUT, H. ve AKGÜÇ, Ö., vd., Stratejik Yönetim ve Senaryo Tekniği, İrfan
Yayınevi, İstanbul, 1997
ERTEK, T., Ekonometriye Giriş, Beta Basım Yayım Dağıtım A.Ş., İşletme-
Ekonomi Dizisi: 64, İstanbul 1996
EVLİYAOĞLU, S., Genel Turizm Bilgileri, Ankara, 1989
FRETCHLING, D. C. (a), Practical Tourism Forecasting, Oxford: Butterworth-
Heinemann, 1996
FRETCHLING, D. C. (b), Forecasting Tourism Demand: Methods and Strategies,
Butterworth-Heinemann, 2001
163

GAYNOR, E. P. ve KIRKPATRICK, R., Time Series Modeling and Forecasting in
Business and Economics, McGravv Hill Inc., New York, International Editions,
1994
GOELDNER, C. R. ve BRENT, J.R., Tourism: Principles, Practices,
Philosophies, John Wiley And Sons Inc., New Jersey, 2002
GUJARATI, D. N., “Basic Econometrics”, International Edition, McGraw-Hill Inc.,
Literatür Yayıncılık, İstanbul, 1995
GUNN, C. A., Tourism Planning, 2nd Edition, Taylor&Francis Group, New York,
1988
GÜRDAL, M., Turizm Ulaştırması, Karınca Matbaası, İzmir, 1995
HANKE, J. E. ve REITSCH, A.G., Business Forecasting, (Fourth Edition), Allyn
and Bacon, Boston, 1992
HAYKIN, S., Neural Networks, Upper Saddle River, Prentice-Hall, N. J., 1999
HOLLOWAY, C. (a), The Business of Tourism, second edition, Pitman Publishing,
London, 1986
HOLLOWAY, J. C. (b), The Business of Tourism, Longman Publishing, New
York, 1998
İÇÖZ, O. (a), Turizm Ekonomisi, Turhan Kitabevi, 3. Basım, Ankara, 2005
İÇÖZ, O., VAR, T. ve İLHAN, İ., Turizm Planlaması, Turhan Kitabevi, Ankara,
2002
JOCARD, L. M., Le Turisme et L’Action de L’Etat, Editins Berger-Levrault, Paris
KALAYCI, Ş. (Editör), SPSS Uygulamalı Çok Değişkenli İstatistik Teknikleri,
Asil Yayın Dağıtım A.Ş., Ankara, 2003
KOZAK, N., KOZAK M. A. ve KOZAK M., Genel Turizm, İlkeler-Kavramlar,
Turhan Kitabevi, Ankara, 2001
LEWIS. C. D., Industrial and Business Forecasting Methods, Butterworths
Publishing: London, 1982
LIN, C. T. ve LEE, C. S. G., Neural Fuzzy Systems, Prentice Hall, 1996
LUNDBERG, D. E., The Tourist Business, Van Nostrand Reinhold, 6th edition,
New York, 1990
LUNDBERG, D., KRISHNAMOORTHY, M. ve STAVENGA, M. H., Tourism
Economics, John Wiley & Sons Inc., New York, 1995
164

MAKRIDAKIS, S. ve WHEELWRIGHT, S. C., Forecasting Methods for
Management, Fifth Edition, John Wiley & Sons Inc. New York, 1989
MAKRIDAKIS, S., WHEELWRIGHT, S. C. ve HYNDMAN, R. H., Forecasting:
Methods and Applications, John Wiley and Sons Inc., New York, 1998
MATHIESON, A. ve WALL, G., Tourism: Economic, Physical and Social
Impacts, Longman Scientific&Technical, Essex, 1989
MAVİŞ, F., Otel İşletmeciliği, Anadolu Üniversitesi Yayınları, No: 843, Eskişehir,
1994
McINTOSH, R. W., GOELDNER C. R. ve BRENT J. R., Tourism: Principles,
Practices, Philosophies, John Wiley and Sons Inc., New York 1995
MILL, R.C. ve MORRISON A.C., The Tourism System, Prentice Hall International
Inc., New Jersey, 1992
MONTGOMERY, D., JOHNSON, L. ve GARDINER, J., Forecasting and Time
Series Analysis, McGraw-Hill International Editions, New York, 1990
NORVAL, A.J., The Tourist Industry, A National and International Survey, Sir
Isaac Pitman and Sons Ltd., London, 1936
OGILVY, F.W., The Tourist Movement, An Economic Study, London, 1933
OLALI, H. (a), Turizm, Türk Hava Kurumu Basımevi İşletmeciliği, Ankara, 1991
OLALI, H. (b), Turizm Politikası ve Planlaması, İstanbul Üniversitesi, İşletme
Fakültesi Yayın No: 228, İstanbul, 1990
OLALI, H. ve TİMUR, A. (a), Turizmin Türk Ekonomisindeki Yeri, Ofis Ticaret
Matbaacılık Ltd. Şti., İzmir, 1986
OLALI, H. ve TİMUR, A. (b), Turizm Ekonomisi, Ofis Ticaret Matbaacılık, İzmir,
1988
ORHUNBİLGE, N. (a), Zaman Serileri Analizi Tahmin ve Fiyat Endeksleri,
İstanbul Üniversitesi İşletme Fakültesi Yayınları, No: 277, İstanbul, 1999
ORHUNBİLGE, N. (b), Uygulamalı Regresyon ve Korelasyon Analizi, İstanbul
Üniversitesi İşletme Fakültesi Yayını, No: 281, İstanbul, 2002
ÖZMEN, A. (a), İstatistik İçinde “Zaman Serisi Çözümlemesi”, Editör: Ali Fuat
Yüzer, Anadolu Üniversitesi Yay. No: 1448, Eskişehir, 2003
ÖZMEN, A. (b), Zaman Serisi Analizinde Box-Jenkins Yöntemi ve Banka
Mevduat Tahmininde Uygulama Denemesi, Anadolu Üniversitesi Yayınları, No:
207, Eskişehir, 1986
165

ÖZMUCUR, S., Geleceği Tahmin Yöntemleri, İstanbul Sanayi Odası, Araştırma
Dairesi, Yayın No: 1990/2, İstanbul, 1990
ÖZTEMEL, E., Yapay Sinir Ağları, Papatya Yayıncılık, İstanbul, 2003
RIZAOĞLU, B., Turizm Pazarlaması, Detay Yayıncılık, Ankara, 2004
RYAN, C., Recreational Tourism: Demand and Impacts, Channel View
Publications, Clevedon, 2003
SEVÜKTEKİN, M. ve NARGELEÇEKENLER, M., Zaman Serileri Analizi, Nobel
Yayın Dağıtım Ltd., Ankara, 2005
SCHALKOF, R. J., Artificial Neural Networks, McGraw-Hill Inc., New York,
1997
SCHMOLL, G. A., Tourism Promotion, Tourism International Press, London, 1977
SEATON, A.V. ve BENNET, M. M., Marketing Tourism Products – Concepts,
Issues, Cases, International Thomson Business Pres, 1996
SEZGİN, O. M., Genel Turizm, Tutibay Yayın Ltd., Ankara, 1995
SONG, H. ve TURNER L., Tourism Demand Forecasting, Latrobe University,
School of Business Seminar, Victoria-Australia, 2004, s. 1-34
SONG, H. ve WITT, S. F. (a), Tourism Demand Modelling and Forecasting:
Modern Econometric Approach, Elsevier Science - Pergamon, 2000, s. 9
TRIBE, J., The Economics of Leisure and Tourism: Environments, Markets and
Impacts, Butterworth Heinemann, Oxford, 1997
TUTAR, E. ve TUTAR, F., Turizm Sektörünün Ekonomiye Katkıları Açısından
Türkiye’nin OECD Ülkeleri Arasındaki Yeri, Seçkin Yayıncılık, Ankara, 2004
USTA, Ö., Genel Turizm, Anadolu Matbaacılık, İzmir, 2001
UYSAL, M., The Economic Geography of The Tourist Industry, içinde “The
Determinants of Tourism Demand”, Editörler: IOANNİDES, D., DEBBAGE, K.,
Routledge, NY, 1998
VAR, T., “Turizm: İlkeler ve Yönetim” içinde “Turizmin Tarihsel Gelişimi”,
(Editörler: YÜKSEL, A. ve HANÇER, M.), Turhan Kitabevi, Ankara, 2005
WITT, S.F., WITT C. (a), Modeling and Forecasting Demand in Tourism,
Academic Press: London, 1992
YAĞCI. Ö., Turizm Ekonomisi, Detay Kitap ve Yayıncılık, Ankara, 2003
YARCAN, Ş., Turizm Endüstrisinin Yapısı, Boğaziçi Üniversitesi Yyayın No:
550, İstanbul, 1995
166

YARCAN, Ş., Türkiye’de Turizm ve Uluslararasılaşma, Boğaziçi Üniversitesi
Yayınları, Yayın No: 603, İstanbul, 1996
YAYLALI, M., Mikroiktisat, Beta Basım Yayım A.Ş., İstanbul, 2004
Makale ve Bildiriler:
AHMED, S. ve CROSS, J., “A Tourist Growth Model to Predict Accommodation
Nights Spent in Australian Hotel Industry”, 11th, Annual Colloquium of The
Spatial Information Centre, University of Otaga, New Zealand, 1999, s. 1-9
AKGÜL, I. (b), “Zaman Serisi Analizi ve Öngörü Modelleri”, Öneri: Marmara
Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, Cilt: 1, Sayı: 1, 1994, s. 52-69
ARCHER, B., “Forecasting Demand: Quantitative and Intuitive Techniques”,
International Journal of Tourism Management, Vol: 5, March 1980, s. 177
AVCIKURT, C. ve KARAMAN, S., “Global ve Bölgesel Düzeyde Uluslararası
Turizm Hareketleri ve Türkiye”, Turizmde Seçme Makaleler, TUGEV Yayını No:
34, Mayıs, 1995, İstanbul, s. 1-19
BALDEMİR, E. ve BAHAR, O., “Türkiye’ye Yönelik Turizm Talebinin Neural
(Sinir) Ağları Modelini Kullanarak Analizi”, Gazi Üniversitesi Ticaret ve Turizm
Eğitim Fakültesi Dergisi, Sayı :2, 2003, s. 152-169
BAŞARAN, A., “Devalüasyonların Yurt Dışından Turizm Talebine Tesiri
Çerçevesinde, Şubat 2001 Devalüasyonunun Rusya Federasyonundan Türkiye’ye
Yönelik Turizm Talebine Etkisi”, 1. Balıkesir Ulusal Turizm Kongresi, 15-16
Nisan 2004, s. 87-95
BİLGİLİ, F., “VAR, ARIMA, Üstel Düzleme, Karma ve İlave-Faktör Yöntemlerinin
Özel Tüketim Harcamalarına ait Ex post Öngörü Başarılarının Karşılaştırılması”,
Dokuz Eylül Üniversitesi, İ.İ.B.F. Dergisi, Cilt: 17, Sayı:1, 2002, s. 185-211
BİRCAN, H. ve KARAGÖZ, Y., “Box-Jenkins Modelleri ile Aylık Döviz Kuru
Tahmini Üzerine Bir Uygulama”, Kocaeli Üniversitesi, Sosyal Bilimler Enstitüsü
Dergisi, Cilt: 6, Sayı: 2, 2003, s.49-62
BOLAT, S. ve KALENDERLİ, Ö., “Yapay Sinir Ağı ile İzolatör Konum Açısı
Optimizasyonu”, Elektrik, Elektronik, Bilgisayar Mühendisliği 10. Ulusal
Kongresi, İstanbul, 2003, s. 190
BULUÇ, G., “Sosyo-Ekonomik Değişkenler ve Turizm Talebine Etkileri”, Dokuz
Eylül Üniversitesi, İ.İ.B.F. Dergisi, Cilt: 12, Sayı: 2, 1997, s. 101-109
BROTHERTON, B., “Konaklama, Turizm ve Eğlence Tanımları: Görüş Açıları
Problemler ve Çıkan Sonuçlar”, Turizmde Seçme Makaleler: 11, Turizm
Geliştirme ve Eğitim Vakfı Yayınları No: 18, İstanbul, 1991, s. 18-26
167

BÜLBÜL, Ş., “Zaman Serilerinde Üstel Düzeltme Modelleri ve Bir Uygulama”,
Öneri: Marmara Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, Cilt: 1, Sayı: 1,
1994, s. 44 -51
CHO, V., “A Comparison of Three Different Approaches To Tourist Arrival
Forecasting”, Tourism Management, Volume: 24, No: 3, 2003, s. 323-330
CHOI, H. Y., KIM, W. ve AN, S. Y., “Recurrent and Decomposed Neural Network –
Based Hotel Occupancy Rate”, The New Review of Applied Expert Systems, No:
4, 1997, s. 121-136
CHU, F. L., “Forecasting Tourism Demand: A Cubic Polynomial Approach”,
Tourism Management, Volume 25, Issue 2, 2004, s. 209
BULUT, E. (b), “Türk Turizminin Dünyadaki Yeri ve Dış Ödemeler Bilançosuna
Etkisi”, Gazi Üniversitesi, İ.İ.B.F. Dergisi, Cilt: 2, Sayı: 3, 2000, s. 71-86
BURGER, C. J. S. C., DOHNAL, M., KATHRADA, M. ve LAW, R., “A
Practitioners Guide to Time-Series Methods For Tourism Demand Forecasting - A
Case Study Of Durban, South Africa”, Tourism Management, Volume: 22, No: 4,
2001, s. 403-409
ÇAKIR, M. ve BOSTAN, A., “Turizm Sektörünün Ekonominin Diğer Sektörleri ile
Bağlantılarının Girdi-Çıktı Analizi ile Değerlendirilmesi”, Anatolia Turizm
Araştırmaları Dergisi, Eylül-Aralık, 2000, s. 35-44
ÇAKIR, P., Turizmin Ekonomiye Katkısı Üzerine Genel Bir Yaklaşım, Anadolu
Üniversitesi, İ.İ.B.F. Dergisi, Cilt: XVII, Sayı: 1, 2001, s. 377-393
ÇIMAT, A. ve O. BAHAR, O., “Turizm Sektörünün Türkiye Ekonomisi İçindeki
Yeri ve Önemi”, Akdeniz Üniversitesi İ.İ.B.F. Dergisi, Sayı: 6, 2003, s.
ÇUHADAR, M. ve KAYACAN, C., “Yapay Sinir Ağları Kullanılarak Konaklama
İşletmelerinde Doluluk Oranı Tahmini: Türkiye'deki Konaklama İşletmeleri Üzerine
Bir Deneme”, Anatolia Turizm Araştırmaları Dergisi, Cilt: 16, Sayı: 1, Bahar
2005, s. 121-126
DEMİRTAŞ, N. ve BAŞARAN, A., “Kriz Dönemleri ve Türkiye-Rusya İlişkileri,
Rusya Federasyonu Türkiye Turizm İlişkileri”, 2000’li yıllarda 2. Ulusal Türkiye
Turizmi Sempozyumu, İzmir, 2001
DİCKEY D. ve FULLER, W. A., “Distribution of the Estimators for Autoregressive
Time Series with a Unit Root”, Journal of the American Statistical Association,
1979, s. 427-431
DİNÇER, F. İ., “Turizm ve Turist Tanımlarındaki Gelişmeler”, Turizm Yıllığı,
Türkiye Kalkınma Bankası Yayını, Ankara, 1993, s.102-1116
EMSEN, Ö. S. ve DEĞER, K., “Turizm Üzerine Terörizmin Etkileri: 1984-2001
Türkiye Deneyimi”, Akdeniz Üniversitesi, İ.İ.B.F. Dergisi, Sayı: 7, 2004, s. 67-83
168

EGELİ, H. A., “Türk Turizminin Gelişimini Etkileyen Faktörler ve Diğer Sektörlerle
İlişkisi”, Dokuz Eylül Üniversitesi, İ.İ.B.F. Dergisi, Cilt: 12, Sayı: II, 1997, s. 111-
133
FIRAT, M. ve GÜNGÖR, M., “Askı Madde Konsantrasyonu ve Miktarının Yapay
Sinir Ağları ile Belirlenmesi”, İMO Teknik Dergi, 2004, s. 3267-3282
FRANSES, P. H. ve McALEER, M., “Cointegration Analysis of Seasonal Time
Series”, Journal of Economic Surveys, Volume: 12, No: 5, 1998, s. 651-678
GÜNGÖR, İ. ve ÇUHADAR, M., “Antalya İline Yönelik Alman Turist Talebinin
Yapay Sinir Ağları Yöntemiyle Tahmini”, Gazi Üniversitesi Ticaret ve Turizm
Eğitim Fakültesi Dergisi, Yıl: 2005, Sayı: 1, s. 84-99
GÜRBÜZ, A. K., “Turistik Talep Analizleri Üzerine Bir Değerlendirme”, Turizmde
Seçme Makaleler, TUGEV Yayını, No: 31, İstanbul, 1999, s. 37-47
KAR, M., ZORKİRİŞÇİ, E. ve YILDIRIM, M., “Turizmin Ekonomiye Katkısı
Üzerine Ampirik Bir Değerlendirme”, Akdeniz Üniversitesi İ.İ.B.F. Dergisi, Sayı:
8, 2004, s. 87-112
KAJITANI, Y., HIPEL, K. W. ve MCLEOD, I. A., “Forecasting Nonlinear Time
Series with Feed-Forward Neural Networks: A Case Study of Canadian Lynx Data”,
Journal of Forecasting, Volume: 24, 2005, s. 105-117
İÇÖZ, O. (b), “Turizm Sektöründe Plan ve Planlamanın Önemi”, Turizm Yıllığı,
Türkiye Kalkınma Bankası Yayını, 1993, s. 88-100
KARAMAN, S., “Turizm Talebinde Etkili Olan Demografik Faktörler”, Turizmde
Seçme Makaleler, TUGEV Yayını, No: 48, Mart, 1999, İstanbul, s. 52
KELEŞOĞLU, Ö., EKİNCİ, C. E. ve FIRAT, A., “The Using of Artificial Neural
Networks in Insulation Computations” Yıldız Teknik Üniversitesi Mühendislik ve
Fen Bilimleri Dergisi, No:3, 2005, s. 58-66
KOÇ, M., BALAS, C. E. ve ARSLAN, A., “Taş Dolgu Dalgakıranların Yapay Sinir
Ağları ile Ön Tasarımı”, Teknik Dergi, İnşaat Mühendisleri Odası Yayını, Cilt: 15,
Sayı: 4, Ekim 2004, s. 3351-3375
LAW, R. (a), “Room Occupancy Rate: A Neural Network Approach”, International
Journal of Contemporary Hospitality Management,Volume: 1, No: 6, 1998, s.
234-239
LAW, R. (b), “Back-Propagation Learning in Improving The Accuracy Of Neural
Network-Based Tourism Demand Forecasting”, Tourism Management, Volume:
21, No:4, 2000, s. 331-340
LAW, R. (c), “Demand for Hotel Spending by Visitors to Hong Kong: A Study of
Various Forecasting Techniques”, Journal of Hospitality & Leisure Marketing,
Volume: 6 No:4, 2000, s.17-29
169

LAW, R. ve AU, N., “A Neural Network Model To Forecast Japanese Demand For
Travel To Hong Kong”, Tourism Management, Volume: 20, No: 1, 1999, s. 89-
97
LEIPER, N., “The Framework of Tourism: Towards a Definition Tourism, Tourist
and the Tourist Industry”, Annals of Tourism Research, Vol:6. No: 4, 1979, s. 309-
407
LIM, C., “Review of International Tourism Demand Models”, Annals of Tourism
Research, Volume: 24, No: 4, 1997, s. 835-849
LINDBERG B., “International Comparison of Growth in Demand for a New Durable
Consumer Product”, Journal of Marketing Research, 1982, s. 364-371
MARTIN, A. C. ve WITT, S. F., “Turizm Talebi Tahmin Modelleri: Turistlerin
Zorunlu Giderlerini Belirlemek İçin Uygun Bir Değişken Seçimi”, Turizmde Seçme
Makaleler, TUGEV Yayını, No: 6, Mart 1989, İstanbul, s. 26-48
ÖZALP, A. ve ANAGÜN, S., “Yapay Sinir Ağı Performansına Etki Eden
Faktörlerin Analizinde Taguchi Yöntemi: Hisse Senedi Fiyat Tahmini Uygulaması”,
İstatistik Araştırma Dergisi, Cilt: 2, No: 1, 2003, s. 29-45
ÖZKÖK. F., Türkiye ve Avrupa Birliğinde Turizmin Ekonomik Etkileri, Standard:
Ekonomik ve Teknik Dergi, TSE, Yıl: 42, Sayı: 498, Haziran, 2003, s. 72-78
SCHOEMAKER, P. J. H., “When and How to Use Scenerio Planning: A Heuristic
Approach with Illustration”, Journal of Forecasting, No: 10, 1991, s. 549-561
PALMER, A., MONTAÑO, J. J. ve SESÉ, A., “Designing An Artificial Neural
Network For Forecasting Tourism Time Series”, Tourism Management, Volume:
26, No: 1, 2005, s. 1-10
PATTIE, D. C. ve SNYDER J., “Using a Neural Network to Forecast Visitor
Behavior”, Annals of Tourism Research, Volume: 23, No: 1, 1996, s. 151-164
SONG, H. ve WITT, S. (b), “Forecasting International Tourist Flows to Macau”,
Tourism Management,Volume: 27, No: 2, 2006, s. 1-11
SÖNMEZ, S. F. ve GRAEFE, A. R., “Influence of Terrorism Risk on Foreign
Tourism Decisions”, Annals of Tourism Research, Vol: 25, No: 1, 1998, s. 131
SÜRÜCÜ, F., “Turizm Sektöründe Ülkemizin Genel Politikaları”, I. Uluslararası
Turizm Sempozyumu, Yıldız Teknik Üniversitesi, İstanbul, 1998, s. 25-31
ŞAHİN, A. E., “Eğitim Araştırmalarında Delphi Tekniği ve Kullanımı”, Hacettepe
Üniversitesi, Eğitim Fakültesi Dergisi, No: 20, 2001, s. 215-220
ŞAHİN, Ş. Ö., ÜLENGİN, F. ve ÜLENGİN, B., “Senaryo Analizi İçin Dinamik Bir
Yaklaşım Önerisi”, İTÜ Dergisi/b, Sosyal Bilimler, Cilt: 1, Sayı: 1, 2002, s. 35-46,
170

TETİK, S., “Antalya Turizm Pazarındaki Değişimler ve 2002 – 2010 Dönemi için
Kestirimler”, Turizm Bakanlığı, II Turizm Şurası Bildirileri, II. Cilt, Ankara,
2002, s. 25-42
UYSAL, M., “Turizmde Talep Projeksiyon Modelleri ve Özellikleri”, Turizm
Yıllığı, T.C. Turizm Bankası Yayını, 1985, s.35
UYSAL, M. ve EL ROUBI, S., “Artificial Neural Network Versus Multiple
Regression in Tourism Demand Analysis”, Journal of Travel Research,
Volume:38, No: 2, 1999, s. 111-118
UYSAL, M. ve CROMPTON J. L., “Turizm Talebi Tahminlerinde Kullanılan
Yaklaşımlara Genel Bir Bakış”, Turizmde Seçme Makaleler, TUGEV Yayını, No:
4, Ocak, 1989, s. 1-24
VENUGOPAL, V. ve BAETS, W., “Neural Networks And Statistical Techniques İn
Marketing Research: A Conceptional Comparison”, Marketing Intelligence &
Planning, Volume: 12, No: 7, 1994, s. 30-38
WITT, S. F. ve WITT, C. (b), “Tourism forecasting: Error Magnitude, Direction Of
Change Error, And Trend Change Error”, Journal of Travel Research, No. 2,
(Fall), 1991, s.26-33
WITT, S. F. ve MARTIN, C., “Uluslararası Turizm Talebi Modelleri – Pazarlama
Değişkenleri de Katılarak Hazırlanan Modeller”, Turizmde Seçme Makaleler,
TUGEV Yayını, No:6, 1989, s. 1-13
YILDIZ, B., “Finansal Başarısızlığın Öngörülmesinde Yapay Sinir Ağı Kullanımı ve
Halka Açık Şirketlerde Ampirik Bir Uygulama”, İMKB Dergisi, Sayı: 17, 2001,
s.51-67
YILDIZ, B., DOĞANAY, M. ve AKTAŞ, R., “Mali Başarısızlığın Öngörülmesi:
İstatistiksel Yöntemler ve Yapay Sinir Ağı Karşılaştırılması”, Ankara Üniversitesi
Siyasal Bilgiler Fakültesi Dergisi, Cilt: 58, Sayı: 4, 2003, s. 1-24
YILMAZ, B. S. ve YILMAZ, D., “Terörizm ve Terörizmin Hedefi Olarak Turizm”,
Elektronik Sosyal Bilimler Dergisi, Cilt: 4, Sayı: 13, 2005, s. 39-58
ZHANG, G. P., Qİ, M., “Neural Network Forecasting For Seasonal and Trend Time
Series”, European Journal of Operational Research, Vol: 160, No: 2, 2005, s.
501-514
ZHANG, G., PATUWO, G. E. ve HU, M.Y., “Forecasting with Artificial Neural
Networks: The State of The Arts”, International Journal of Forecasting, Volume:
4, No: 1, 1998, s. 35-62
171

Diğer:
İnternet Kaynakları:
AKAL, M., “Optimum Öngörü Tekniğinin Seçimi”,
http://www.sakarya.edu.tr/~hgurak/yazilar/makale/ONGOM.doc (İndirilme Tarihi:
20.10.2005)
ALATAŞ B., Sinirsel Ağlar, www.firat.edu.tr/akademik/fakulteler/muhendislik/
bilgisayar/ balatas/ SinirselAglar.pdf, s. 22, (İndirilme Tarihi: 22.06.2004)
DİE, Turizm ile İlgili Değişkenlerin Tanımları,
(İndirilme tarihi: 12.08.2005)
Kültür ve Turizm Bakanlığı, Açıklamalar: Yöntem, Kavram ve Tanımlar,
(İndirilme tarihi: 12.08.2005)
The Free Encyclopedia of Turkey
World Tourism Organization, Basic References on Tourism Statistics,
(indirilme tarihi: 10.07.2005)
Tezler:
LI, G., Tourism Forecasting – An Almost Ideal Demand System Approach,
Unpublished PhD. Thesis, University of Surrey, 2004
Raporlar:
ŞAHİN, A., İktisadi Kalkınmadaki Önemi Bakımından Türkiye’de Turizm
Sektöründeki Gelişmelerin Değerlendirilmesi, Türkiye Odalar ve Borsalar Birliği
Yayını No: 149, Ankara, 1990
TÜBİTAK (a), Bilim ve Teknoloji Stratejileri, Vizyon 2023, Ulaştırma ve Turizm
Paneli, , Ankara, 2003
TÜBİTAK (b), Teknoloji Öngörüsü ve Ülke Örnekleri Çalışma Raporu, Bilim ve
Teknoloji Politikaları Dairesi Başkanlığı, Ankara, 2001
Turizm Bakanlığı, Turizmde 2. Atılım Dönemi, Ankara, 2002
World Tourism Organisation Business Council, Tourism Taxation: Striking a Fair
Deal,. Madrid, 1998
172

World Tourism Organization, Recommendations on Tourism Statistics, Madrid,
1997
World Tourism Organization, Tourism 2020 Vision, Madrid, 2001
World Tourism Organization, World Tourism Barometer Volume: 2, No: 3,
October, 2004
World Tourism Organization, World Tourism Barometer Volume: 3, No: 2, ,June,
2005
World Trade Organization, Tourism Services, 1998
World Travel &Tourism Council, The 2005 Travel & Tourism Economic
Research, 2005, s. 8
World Travel &Tourism Council, Turkey: The 2004 Travel & Tourism Economic
Research, 2004
YURTOĞLU, H., Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı
Makroekonomik Değişkenler için Türkiye Örneği, DPT Yayın No: 2683, Ankara,
2005
173

EKLER
174

Ek-1 Antalya İline Gelen Aylık Yabancı Turist Sayıları (1992-2005)
Ocak Şubat Mart Nisan Mayıs Haziran Temmuz Ağustos Eylül Ekim Kasım Aralık
1992 4111 5478 12506 73958 143255 139990 132779 256227 157129 155142 22027 13460
1993 7211 11861 31072 114238 212682 173530 166278 158841 109115 162155 27905 14746
1994 10521 20173 47669 53942 100994 114570 189754 217115 140553 173721 46102 15992
1995 11704 16455 41694 118756 153465 212640 324720 338547 299459 270684 60324 55374
1996 37664 65530 116504 151445 261835 298338 371076 385747 337268 281847 101413 88147
1997 44757 61930 165851 185062 335679 333519 420861 464889 364170 309173 109822 67006
1998 52798 64797 93520 162963 250215 276108 327451 463352 331713 319353 120338 76816
1999 76487 87255 79520 68952 151669 190727 258665 326167 231211 238873 74149 40731
2000 44959 51669 82015 225073 293207 348299 495318 502400 493510 444039 165109 85239
2001 68014 101711 159618 317121 454925 549737 659668 622317 585854 421152 149380 78344
2002 60123 97516 220186 304109 519182 567892 676331 715467 692306 558051 221224 114941
2003 102950 113935 117458 188094 385780 541788 723331 823108 668848 614922 257202 142535
2004 114112 157040 205552 383959 682088 687982 910457 945704 796520 739558 289638 134558
2005 140464 185510 316767 432106 853073 852378 1104557 1008486 893191 786434 215499 113559

Ek-2 Uygulanan Yöntemlerden Elde Edilen Öngörü Değerleri
Ay ve Yıl
Gerçekleşen
Değerler
Mekanik Tahmin
(Naive III)
Hareketli Ortalamalar
Mevsimsel Üstel Düzleştirme
(Winters)
ARIMA Yapay Sinir Ağları
Ocak 04 114112 176284 128324 109214 115202 112245
Şubat 04 157040 133118 135576 153093 153245 150639
Mart 04 205552 62658 181296 259016 257614 218801
Nisan 04 383959 116338 294756 367534 389433 409433
Mayıs 04 682088 286655 533024 631608 657959 653120
Haziran 04 687982 516884 685035 755981 721142 700560
Temmuz 04 910457 773597 799220 911072 879218 908770
Ağustos 04 945704 946943 928081 1024123 1001589 918928
Eylül 04 796520 646185 871112 794283 767668 806029
Ekim 04 739558 677589 768039 737671 733243 772543
Kasım 04 289638 299031 514598 232040 228827 290694
Aralık 04 134558 176753 212098 156153 153271 137750
Ocak 05 140464 126484 137511 109416 123797 138841
Şubat 05 185510 216453 162987 178105 176453 180973
Mart 05 316767 359717 251139 304709 301351 318130
Nisan 05 432106 783781 374437 518216 539403 440774
Mayıs 05 853073 1205983 642590 750220 801629 857100
Haziran 05 852378 873624 852726 935163 898853 849708
Temmuz 05 1104557 1145993 978468 1126895 1087628 1072660
Ağustos 05 1008486 1086560 1056522 1248378 1222170 989954
Eylül 05 893191 948562 950839 884854 862126 898697
Ekim 05 786434 889456 839813 821026 822120 783347
Kasım 05 215499 326164 500967 250457 247953 211844
Aralık 05 113559 127027 164529 129706 130170 117463
5

Adı-Soyadı: Murat Çuhadar
Doğum Tarihi: 22.08.1971
Doğum Yeri: Erzincan
Eğitim Durumu
ÖZGEÇMİŞ
Lisans: Akdeniz Üniversitesi Turizm İşletmeciliği ve Otelcilik Yüksekokulu 1994
Yüksek Lisans: Süleyman Demirel Üniversitesi S.B.E. İşletme Anabilim Dalı 2001
Doktora: Süleyman Demirel Üniversitesi S.B.E. İşletme Anabilim Dalı 2006
Yabancı Diller
İngilizce: İyi
Almanca: Orta düzeyde
Bilimsel Yayın ve Çalışmalar
• KOZAK, Nazmi, ÇUHADAR Murat, “Antalya İli Sınırları İçerisinde Faaliyet
Göstermekte Olan Otel İşletmelerinde İnternet Ortamında Tutundurma Karma
Elemanlarının Kullanılmasını Ölçmeye Yönelik Bir Araştırma”, Anatolia
Turizm Araştırmaları Dergisi, Cilt: 13, Sayı:1, 2002
• ÇUHADAR Murat, KAYACAN Cengiz, “Yapay Sinir Ağları Kullanılarak
Konaklama İşletmelerinde Doluluk Oranı Tahmini: Türkiye’deki Konaklama
İşletmeleri Üzerine Bir Deneme”, Anatolia Turizm Araştırmaları Dergisi, Cilt:
16, Sayı: 1, 2005
• GÜNGÖR İbrahim, ÇUHADAR Murat, “Antalya İline Yönelik Alman Turist
Talebinin Yapay Sinir Ağları Yöntemiyle Tahmini”, Gazi Üniversitesi Ticaret
ve Turizm Eğitimi Fakültesi Dergisi, 2005: 2
• Kozak Nazmi, Çuhadar Murat, “Otel İşletmelerinde Dağıtım Kanalı Olarak
İnternetin Kullanımı: Antalya İli Sınırları İçerisinde Faaliyet Göstermekte Olan
3, 4 ve 5 Yıldızlı İşletmeler Üzerine Bir Araştırma”, 7. Ulusal Pazarlama
Kongresi, 31 Mayıs-2 Haziran 2002, Afyon Kocatepe Üniversitesi, Afyon
• Otel İşletmelerinde İnternetin Bir Pazarlama Aracı Olarak Kullanılma Düzeyinin
ve Eğilimlerinin Tespiti ve Bir Uygulama, Antalya İl Sınırları İçindeki 3,4 ve 5
Yıldızlı Otel İşletmelerine Yönelik Bir Çalışma, 2001 (Araştırma Projesi)
• Süleyman Demirel Üniversitesi, I. Ulusal Turizm Sempozyumu’nde görev alma,
17-19 Eylül, 1998, Eğirdir
Mesleki Sertifikalar
• “Micros-Fidelio (6.15) Konaklama Yönetim Sistemi, Öğretici Sertifikası, Şubat
1999
• “Micros-Fidelio Suite (7)” Konaklama Yönetim Sistemi, Öğretici Sertifikası,
Temmuz 2001