Araştırma Makalesi
BibTex RIS Kaynak Göster

Türkiye'ye yönelik dış turizm talebi açısından ülkelerin kümeleme analizi ile sınıflandırılması

Yıl 2022, Sayı: 41, 384 - 392, 30.11.2022
https://doi.org/10.31590/ejosat.1183700

Öz

Turizm ülkelerin ekonomik gelişimi için en önemli unsurlardan biridir. Ülkelere gelen yabancı turistlerin verilerinin analiz edilmesi bu gelişime katkı sağlaması açısından büyük önem taşısa da uluslararası turizme yönelik Türkiye’de yeteri kadar çalışma bulunmamaktadır. Bu çalışmanın amacı, farklı ülkelerden Türkiye’ye olan dış turizm talebini kümeleme analizi kullanarak incelemek ve Türkiye’ye turist gönderen bu ülkeleri sınıflandırmaktır. Bu bağlamda, ülkelerin gelir düzeyleri, ülkelerden çıkan turist sayıları, çıkan turist sayılarında Türkiye’nin payı ve turistlerin Türkiye’de konaklama süresi gibi faktörler dikkate alınmış ve iki aşamalı kümeleme yöntemi kullanılarak ülkeler gruplandırılmıştır. Elde edilen ülke grupları, kullanılan değişkenler ışığında karakterize edilmiştir. Bu çalışma sonucunda oluşturulan ülke profillerinin, politika yapıcılarının etkin stratejiler geliştirmesinde yardımcı olacağına inanılmaktadır.

Kaynakça

  • Akgün, A., & Çizel, B. (2016). Günlük Tur Programlari Oluşturmada Veri Madenciliği: A Grubu Seyahat Acentası Örneği. Turar Turizm ve Araştırma Dergisi, 6(1), 73–87.
  • Akgün, A., Çizel, B., & Ajanovic, E. (2021). Mining excursion tourist profile through classification algorithms. Quality and Quantity, 1–22. https://doi.org/10.1007/s11135-021-01234-3
  • Akin, M. (2015). A novel approach to model selection in tourism demand modeling. Tourism Management, 48, 64–72. https://doi.org/10.1016/j.tourman.2014.11.004
  • Aydın, A., Darıcı, B., & Taşçı, H. M. (2015). Uluslararası Turizm Talebini Etkileyen Ekonomik Faktörler: Türkiye Üzerine Bir Uygulama. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 45, 143–177.
  • Bahar, O. (2006). Turizm Sektörünün Türkiye’nin Ekonomik Büyümesi Üzerindeki Etkisi : VAR Analizi Yaklaşımı The Effect of Tourism Sector on the Economic Growth of Turkey : VAR Analysis Approach. 13(2), 137–150. www.tcmb.gov.tr.
  • Bardak, T., & Sözen, E. (2018). Veri Madenciliği ve Önemi. October.
  • Çuhadar, M. (2015). Turizm Sektöründe Talep Tahmini İçin Yapay Sinir Ağları Kullanımı ve Diğer Yöntemlerle Karşılaştırmalı Analizi (Antalya İlinin Dış Turizm Talebinde Uygulama). August, 38–49. https://doi.org/10.13140/RG.2.1.4503.7288
  • Demand, I. T., & Approach, P. D. (2013). Türkiye’ ye Yönelik Uluslararası Turizm Talebinin Belirleyenleri: Panel Veri Yaklaşımı The Determinants of International Tourism Demad For Turkey: A Panel Data Approach. 43–54.
  • Doborjeh, Z., Hemmington, N., Doborjeh, M., & Kasabov, N. (2022). Artificial intelligence: a systematic review of methods and applications in hospitality and tourism. International Journal of Contemporary Hospitality Management, 34(3), 1154–1176. https://doi.org/10.1108/IJCHM-06-2021-0767
  • Dursun, A., & Caber, M. (2016). Using data mining techniques for profiling profitable hotel customers: An application of RFM analysis. Tourism Management Perspectives, 18, 153–160. https://doi.org/10.1016/j.tmp.2016.03.001
  • Ersungur, Ş. M., Doru, Ö., & Aslan, M. B. (2017). Türkiye’ye Yönelik Uluslararası Turizm Talebinin Sosyo-Ekonomik Belirleyicileri: Panel Veri Analiz. International Conference on Eurasian Economies, 433–441.
  • Garda, B., & Temizel, M. (2016). Sürdürülebilir Turizm Çeşitleri Types of Sustainable Tourism. Selcuk University Journal of Social and Technical, 12, 83–103.
  • GDP per capita, current dollars by country, around the world | TheGlobalEconomy.com. (n.d.). Retrieved June 19, 2022, from https://www.theglobaleconomy.com/rankings/GDP_per_capita_current_dollars/
  • Höpken, W., Eberle, T., Fuchs, M., & Lexhagen, M. (2021). Improving Tourist Arrival Prediction: A Big Data and Artificial Neural Network Approach. Journal of Travel Research, 60(5), 998–1017. https://doi.org/10.1177/0047287520921244
  • Huang, B., & Hao, H. (2021). A novel two-step procedure for tourism demand forecasting. Current Issues in Tourism, 24(9), 1199–1210. https://doi.org/10.1080/13683500.2020.1770705
  • International tourism, number of departures | Data. (n.d.). Retrieved June 20, 2022, from https://data.worldbank.org/indicator/ST.INT.DPRT?end=2020&most_recent_value_desc=true&start=2019
  • International Tourism Highlights, 2020 Edition. (2021). In International Tourism Highlights, 2020 Edition. https://doi.org/10.18111/9789284422456
  • İşletme (Bakanlık) Belgeli Tesis Konaklama İstatistikleri. (n.d.). Retrieved June 19, 2022, from https://yigm.ktb.gov.tr/TR-201121/isletme-bakanlik-belgeli-tesis-konaklama-istatistikleri.html
  • Kandemir, A. Ş. (2018). Bulanık Kümeleme Analizi ile Türkiye’deki İllerin Konaklama İstatistiklerine Göre Sınıflandırılması. Journal of Travel and Hospitality Management, 15(3), 657–668. http://dergipark.gov.tr/download/article-file/585914
  • Karaoğlu, N. (2019). Türkiye’de Uluslararası Turizm Talebinin Dinamik Panel Veri Analizi. 4, 85–101.
  • Kulshrestha, A., Krishnaswamy, V., & Sharma, M. (2020). Bayesian BILSTM approach for tourism demand forecasting. Annals of Tourism Research, 83, 102925. https://doi.org/10.1016/j.annals.2020.102925
  • Law, R., Li, G., Fong, D. K. C., & Han, X. (2019). Tourism demand forecasting: A deep learning approach. Annals of Tourism Research, 75(January), 410–423. https://doi.org/10.1016/j.annals.2019.01.014
  • List of Countries by Continent - StatisticsTimes.com. (n.d.). Retrieved June 19, 2022, from https://statisticstimes.com/geography/countries-by-continents.php
  • Magnini, V. P., Honeycutt Jr, E. D., & Hodge, S. K. (2003). Data Mining for Hotel Firms. Cornell Hotel and Restaurant Administration Quarterly, 44(2), 94–105.
  • Nguyen, L. Q., Fernandes, P. O., & Teixeira, J. P. (2021). Analyzing and Forecasting Tourism Demand in Vietnam with Artificial Neural Networks. Forecasting, 4(1), 36–50. https://doi.org/10.3390/forecast4010003
  • Özbek, T. (1991). Dünyada ve Türkiye’de termal turizmin önemi. Anatolia, 2, 17–18.
  • Özcan, Ş. (2021). Turizm ve Ekonomik Büyüme İlişkisi: Üst-Orta Gelirli Ülkeler Üzerine Panel Veri Analizi.
  • Sevimli Deniz, S. (2019). Veri Madenciliği Araçları Kullanılarak Türkiye’nin Turizm Gelirlerinin Aylara Göre Yapay Sinir Ağları İle Tahminlenmesi. 241–255.
  • Shapoval, V., Wang, M. C., Hara, T., & Shioya, H. (2018). Data Mining in Tourism Data Analysis: Inbound Visitors to Japan. Journal of Travel Research, 57(3), 310–323. https://doi.org/10.1177/0047287517696960
  • Ünlüönen, K., & Şen Küpeli, T. (2021). Veri Madenciliği ve Turizmde Veri Madenciliği Çalışmaları. Journal of Tourism and Gastronomy Studies, 9(1), 275–298. https://doi.org/10.21325/jotags.2021.7
  • Yildirim, M. E. (2022). A Case Study : Unsupervised Approach for Tourist Profile Analysis by K-means Clustering in Turkey. 0170(1), 11–17.
  • Zhang, Y., Li, G., Muskat, B., & Law, R. (2021). Tourism Demand Forecasting: A Decomposed Deep Learning Approach. Journal of Travel Research, 60(5), 981–997. https://doi.org/10.1177/0047287520919522
  • Zortuk, M., & Bayrak, S. (2013). Seçilmiş Ülkelere Göre Türkiye’nin Turizm Talebi. İstanbul Üniversitesi İktisat Fakültesi Ekonometri ve İstatistik Dergisi, 19, 38–58. http://dergipark.gov.tr/iuekois/issue/8997/112139

Classifying countries in terms of inbound tourism demand using cluster analysis: The case of Turkey

Yıl 2022, Sayı: 41, 384 - 392, 30.11.2022
https://doi.org/10.31590/ejosat.1183700

Öz

Tourism is one of the most important elements for the economic development of countries. Although the analysis of the data of foreign tourists coming to the countries is one of the great importance in terms of contributing to this development, there are not enough studies in Turkey for international tourism. The aim of this study is to examine the foreign tourism demand coming to Turkey from different countries by using cluster analysis and to classify these countries that send tourists to Turkey. In this context, factors such as the income levels of the countries, the number of tourists leaving the countries, Turkey's share in the number of tourists and the length of stay of the tourists in Turkey are considered, and the countries are clustered using the two-stage clustering method. The resulting country groups were characterized in the light of the features used. It is believed that the generated country profiles will help policy makers to develop effective strategies.

Kaynakça

  • Akgün, A., & Çizel, B. (2016). Günlük Tur Programlari Oluşturmada Veri Madenciliği: A Grubu Seyahat Acentası Örneği. Turar Turizm ve Araştırma Dergisi, 6(1), 73–87.
  • Akgün, A., Çizel, B., & Ajanovic, E. (2021). Mining excursion tourist profile through classification algorithms. Quality and Quantity, 1–22. https://doi.org/10.1007/s11135-021-01234-3
  • Akin, M. (2015). A novel approach to model selection in tourism demand modeling. Tourism Management, 48, 64–72. https://doi.org/10.1016/j.tourman.2014.11.004
  • Aydın, A., Darıcı, B., & Taşçı, H. M. (2015). Uluslararası Turizm Talebini Etkileyen Ekonomik Faktörler: Türkiye Üzerine Bir Uygulama. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 45, 143–177.
  • Bahar, O. (2006). Turizm Sektörünün Türkiye’nin Ekonomik Büyümesi Üzerindeki Etkisi : VAR Analizi Yaklaşımı The Effect of Tourism Sector on the Economic Growth of Turkey : VAR Analysis Approach. 13(2), 137–150. www.tcmb.gov.tr.
  • Bardak, T., & Sözen, E. (2018). Veri Madenciliği ve Önemi. October.
  • Çuhadar, M. (2015). Turizm Sektöründe Talep Tahmini İçin Yapay Sinir Ağları Kullanımı ve Diğer Yöntemlerle Karşılaştırmalı Analizi (Antalya İlinin Dış Turizm Talebinde Uygulama). August, 38–49. https://doi.org/10.13140/RG.2.1.4503.7288
  • Demand, I. T., & Approach, P. D. (2013). Türkiye’ ye Yönelik Uluslararası Turizm Talebinin Belirleyenleri: Panel Veri Yaklaşımı The Determinants of International Tourism Demad For Turkey: A Panel Data Approach. 43–54.
  • Doborjeh, Z., Hemmington, N., Doborjeh, M., & Kasabov, N. (2022). Artificial intelligence: a systematic review of methods and applications in hospitality and tourism. International Journal of Contemporary Hospitality Management, 34(3), 1154–1176. https://doi.org/10.1108/IJCHM-06-2021-0767
  • Dursun, A., & Caber, M. (2016). Using data mining techniques for profiling profitable hotel customers: An application of RFM analysis. Tourism Management Perspectives, 18, 153–160. https://doi.org/10.1016/j.tmp.2016.03.001
  • Ersungur, Ş. M., Doru, Ö., & Aslan, M. B. (2017). Türkiye’ye Yönelik Uluslararası Turizm Talebinin Sosyo-Ekonomik Belirleyicileri: Panel Veri Analiz. International Conference on Eurasian Economies, 433–441.
  • Garda, B., & Temizel, M. (2016). Sürdürülebilir Turizm Çeşitleri Types of Sustainable Tourism. Selcuk University Journal of Social and Technical, 12, 83–103.
  • GDP per capita, current dollars by country, around the world | TheGlobalEconomy.com. (n.d.). Retrieved June 19, 2022, from https://www.theglobaleconomy.com/rankings/GDP_per_capita_current_dollars/
  • Höpken, W., Eberle, T., Fuchs, M., & Lexhagen, M. (2021). Improving Tourist Arrival Prediction: A Big Data and Artificial Neural Network Approach. Journal of Travel Research, 60(5), 998–1017. https://doi.org/10.1177/0047287520921244
  • Huang, B., & Hao, H. (2021). A novel two-step procedure for tourism demand forecasting. Current Issues in Tourism, 24(9), 1199–1210. https://doi.org/10.1080/13683500.2020.1770705
  • International tourism, number of departures | Data. (n.d.). Retrieved June 20, 2022, from https://data.worldbank.org/indicator/ST.INT.DPRT?end=2020&most_recent_value_desc=true&start=2019
  • International Tourism Highlights, 2020 Edition. (2021). In International Tourism Highlights, 2020 Edition. https://doi.org/10.18111/9789284422456
  • İşletme (Bakanlık) Belgeli Tesis Konaklama İstatistikleri. (n.d.). Retrieved June 19, 2022, from https://yigm.ktb.gov.tr/TR-201121/isletme-bakanlik-belgeli-tesis-konaklama-istatistikleri.html
  • Kandemir, A. Ş. (2018). Bulanık Kümeleme Analizi ile Türkiye’deki İllerin Konaklama İstatistiklerine Göre Sınıflandırılması. Journal of Travel and Hospitality Management, 15(3), 657–668. http://dergipark.gov.tr/download/article-file/585914
  • Karaoğlu, N. (2019). Türkiye’de Uluslararası Turizm Talebinin Dinamik Panel Veri Analizi. 4, 85–101.
  • Kulshrestha, A., Krishnaswamy, V., & Sharma, M. (2020). Bayesian BILSTM approach for tourism demand forecasting. Annals of Tourism Research, 83, 102925. https://doi.org/10.1016/j.annals.2020.102925
  • Law, R., Li, G., Fong, D. K. C., & Han, X. (2019). Tourism demand forecasting: A deep learning approach. Annals of Tourism Research, 75(January), 410–423. https://doi.org/10.1016/j.annals.2019.01.014
  • List of Countries by Continent - StatisticsTimes.com. (n.d.). Retrieved June 19, 2022, from https://statisticstimes.com/geography/countries-by-continents.php
  • Magnini, V. P., Honeycutt Jr, E. D., & Hodge, S. K. (2003). Data Mining for Hotel Firms. Cornell Hotel and Restaurant Administration Quarterly, 44(2), 94–105.
  • Nguyen, L. Q., Fernandes, P. O., & Teixeira, J. P. (2021). Analyzing and Forecasting Tourism Demand in Vietnam with Artificial Neural Networks. Forecasting, 4(1), 36–50. https://doi.org/10.3390/forecast4010003
  • Özbek, T. (1991). Dünyada ve Türkiye’de termal turizmin önemi. Anatolia, 2, 17–18.
  • Özcan, Ş. (2021). Turizm ve Ekonomik Büyüme İlişkisi: Üst-Orta Gelirli Ülkeler Üzerine Panel Veri Analizi.
  • Sevimli Deniz, S. (2019). Veri Madenciliği Araçları Kullanılarak Türkiye’nin Turizm Gelirlerinin Aylara Göre Yapay Sinir Ağları İle Tahminlenmesi. 241–255.
  • Shapoval, V., Wang, M. C., Hara, T., & Shioya, H. (2018). Data Mining in Tourism Data Analysis: Inbound Visitors to Japan. Journal of Travel Research, 57(3), 310–323. https://doi.org/10.1177/0047287517696960
  • Ünlüönen, K., & Şen Küpeli, T. (2021). Veri Madenciliği ve Turizmde Veri Madenciliği Çalışmaları. Journal of Tourism and Gastronomy Studies, 9(1), 275–298. https://doi.org/10.21325/jotags.2021.7
  • Yildirim, M. E. (2022). A Case Study : Unsupervised Approach for Tourist Profile Analysis by K-means Clustering in Turkey. 0170(1), 11–17.
  • Zhang, Y., Li, G., Muskat, B., & Law, R. (2021). Tourism Demand Forecasting: A Decomposed Deep Learning Approach. Journal of Travel Research, 60(5), 981–997. https://doi.org/10.1177/0047287520919522
  • Zortuk, M., & Bayrak, S. (2013). Seçilmiş Ülkelere Göre Türkiye’nin Turizm Talebi. İstanbul Üniversitesi İktisat Fakültesi Ekonometri ve İstatistik Dergisi, 19, 38–58. http://dergipark.gov.tr/iuekois/issue/8997/112139
Toplam 33 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Mühendislik
Bölüm Makaleler
Yazarlar

Ece Aydoğdu Ulukan 0000-0003-2867-5221

Serhat Peker 0000-0002-6876-3982

Erken Görünüm Tarihi 2 Ekim 2022
Yayımlanma Tarihi 30 Kasım 2022
Yayımlandığı Sayı Yıl 2022 Sayı: 41

Kaynak Göster

APA Aydoğdu Ulukan, E., & Peker, S. (2022). Türkiye’ye yönelik dış turizm talebi açısından ülkelerin kümeleme analizi ile sınıflandırılması. Avrupa Bilim Ve Teknoloji Dergisi(41), 384-392. https://doi.org/10.31590/ejosat.1183700