The Forecasting of TheNumber Tourists Arriving in Turkey with Intuitionistic Fuzzy Regression Functions Approach

Year 2024, , 26 - 32, 13.09.2024

Elanur Mutlu , Gökalp Nuri Selçuk

https://doi.org/10.34110/forecasting.1512952

Abstract

The impacts of the tourism sector on countries are felt in various areas such as economy, cultural heritage and social development. Tourism contributes significantly to a country's foreign exchange earnings and positively affects the trade network. Tourists' spending boosts local economies and increases employment. These effects are particularly important for Turkey. Tourist visits can be used as a tool for regional promotion. Therefore, tourism demand forecasting is necessary to make the best use of these positive effects on Turkey's economic development and to plan tourism activities.
Artificial neural network methods and fuzzy systems for time series forecasting problem are frequently used analysis methods in recent years. In this study, the time series of the total number of tourists visiting Turkey on a monthly basis is analyzed with the intuitionistic fuzzy regression functions approach, which is a generalization of the fuzzy regression functions approach. The analysis performance of the intuitionistic fuzzy regression functions approach is evaluated using fuzzy regression functions approach, multilayer perceptron artificial neural network and multiplicative neuron model artificial neural networks. As a result of the analysis, it is concluded that the intuitionistic fuzzy regression approach produces better forecasting results than both some artificial neural network models and the fuzzy regression functions approach. Since this is the first time that the intuitionistic fuzzy regression functions approach has been used in forecasting the number of tourists, the study aims to contribute to the literature and to help tourism industry employees to be more efficient and successful by providing them with the opportunity to make better future planning.

Keywords

Tourism, Intuitionistic Fuzzy Regression Functions, Forecasting.

References

• [1] Aslanargun, A., Mammadov, M., Yazıcı., B. & Yolacan, S. (2007). Comparison of ARIMA, neural networks and hybrid models in time series: tourist arrival forecasting. Journal of Statistical Computation and Simulation, 77(1), 29-53.
• [2] Atanassoy, K. (1986). Intuitionistic Fuzzy Sets. Fuzzy Sets Systems, 20, 87-96.
• [3] Baldemir, E., & Bahar, Ö. (2003). Türkiye’ye yönelik turizm talebinin neural (sinir) ağları modelini kullanarak analizi. Gazi Üniversitesi Ticaret ve Turizm Eğitim Fakültesi Dergisi, 2, 1-14.
• [4] Baş, E., Yolcu, U., & Eğrioğlu, E. (2021). Instuitionistic fuzzy time series functions approach for time series forecasting. Granular Computins, 6(3), 619-629.
• [5] Chaira T, T. (2011). A novel intutionistic fuzzy c means clustering algorithm and its application to medical images. Applied Soft Computing, 1, 1711-1717.
• [6] Chen, C-F., Lai, M-C., & Yeh, C-C. (2012). Forecasting tourism demand based on empirical mode decomposition and neurel network. Knowledge-Based Systems, 26, 281-287.
• [7] Chen, J-C. (2000). Forecasting method applications to recreation and tourism demand. Doktora Tezi, North Carolina State University, USA.
• [8] Cinel, E. A., & Yolcu, U. (2021). Turizm gelirlerinin cari işlemler dengesine etkileri: türkiye örneği üzerinde yapay sinir ağları ile öngörü. Uluslararası İktisadi ve İdari İncelemeler Dergisi, (31), 247-264.
• [9] Çuhadar, M. (2006). Turizm sektöründe talep tahmini için yapay sinir ağları kullanımı ve diğer yöntemlerle karşılaştırmalı analizi (antalya ilinin dış turizm talebinde uygulama). Doktora Tezi, Süleyman Demirel Üniversitesi, Sosyal Bilimler Enstitüsü, Isparta.
• [10] Çuhadar, M., Güngör, İ., & Göksu, A. (2009). Turizm talebinin yapay sinir ağları ile tahmini ve zaman serisi yöntemleri ile karşılaştırmalı analizi: antalya iline yönelik bir uygulama. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(1), 99-114.
• [11] Dolgun, Ö., Saraçbaşı, O., & Yeniler, A. (2014). Zaman serisi verilerinin yapay sinir ağları yaklaşımı ile çözümlenmesi: altın fiyatının tahmini. Conference: XVI. Ulusal Biyoistatistik Kongresi, Antalya, Türkiye.
• [12] Erdoğan, H., Terzioğlu, M., & Kayakuş, M. (2021). Almanya’dan konaklama amacıyla türkiye’ye gelen turist sayısının yapay zeka teknikleri kullanılarak tahmin edilmesi. Avrupa Bilim ve Teknoloji Dergisi, 27, 961-971.
• [13] Karahan, M. (2015). Turizm talebinin yapay sinir ağları yöntemiyle tahmin edilmesi. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 20(2), 195-209.
• [14] Kaynar, O., & Taştan, S. (2009). Zaman serisi analizinde MLP yapay sinir ağları ve ARIMA modellerinin karşılaştırılması. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 33, 161-172.
• [15] Kutlar, A., & Sarıkaya, M. (2012). Türkiye’ye 1964-2007 döneminde gelen turist sayısı ile ilgili ekonometrik bir çalışma. Sakarya İktisat Dergisi, 1(1), 1-20.
• [16] Özden, S., & Öztürk, A. (2018). Yapay sinir ağları ve zaman serileri yöntemi ile bir endüstri alanının (ivedik osb) elektrik enerjisi ihtiyaç tahmini. Bilişim Teknolojileri Dergisi, 11(3), 255-261.
• [17] Rafique, A. (2021). Application of geographic information system (gis) and neural networking in identification and prediction of tourist hot spots: case of aegean region of turkey. Master Thesis, Institute of Gradıate Programs, Department of Computer Engineering, Karabuk University.
• [18] Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533-536.
• [19] Şahin, S., & Taşkesen, Ş. (2022). Ulaşım ve turizm sektöründe talep tahmin çalışmaları: bir alan yazın taraması. Uluslararası İşletme Bilimi ve Uygulamaları Dergisi, 2(2), 147-164.
• [20] Şamkar, H. (2018). Antalya’daki otellere gelen turist sayılarının sağlam ridge regresyonla modellenmesi. Journal of Tourism and Gastronomy Studies, 6(3), 295-315.
• [21] Türksen, I. B. (2008). Fuzzy functions with LSE. Appl. Soft Comput., 8(3), 1178-1188.
• [22] Yadav, RN., Kalra, PK., & John, J. (2007). Time series prediction with single multiplicative neuron model. Appl Soft Comput, 7, 1157-1163.
• [23] Zadeh, L. A. (1965). Fuzzy sets. Control, 8, 338-353.
• [24] Zorlutuna, Ş., & Bircan, H. (2019). Türkiye’ye gelen turist sayısı tahmininde zaman serileri analizi ve yapay sinir ağları yöntemlerinin karşılaştırılması. Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, 20(2), 164-185.