DESTEK VEKTÖR REGRESYONU, RİDGE REGRESYON VE ÇOKLU DOĞRUSAL REGRESYON YÖNTEMLERİYLE TURİZM TALEP TAHMİNİ-Reference-Cited by-同舟云学术

DESTEK VEKTÖR REGRESYONU, RİDGE REGRESYON VE ÇOKLU DOĞRUSAL REGRESYON YÖNTEMLERİYLE TURİZM TALEP TAHMİNİ

Published:2024-06-27 Issue:1 Volume:9 Page:194-218
ISSN:2630-6255
Container-title:Journal of Research in Business
language:
Short-container-title:

Author:

Kardeş Serkan¹^ORCID,Öngen Bilir Kadriye Burcu¹^ORCID

Affiliation:

1. BURSA TEKNİK ÜNİVERSİTESİ

Abstract

Günümüzde değişen ve küreselleşen dünya koşulları, insan ihtiyaçlarını ve taleplerini şekillendirmektedir. Değişen koşullar, işletmelerin faaliyetlerini ve gelecek planlamalarını gerçekleştirmek için zorluklar oluşturmaktadır. İşletmeler bu zorlukların üstesinden gelebilmek için doğru ve güvenilir tahminler yapması gerekir. Son yıllarda makine öğrenmesi gibi gelişmiş veri analiz yöntemleri, işletmelerin daha doğru tahminler yapabilmelerine yardımcı olmaktadır. Bu bağlamda çalışmada geleneksel yöntemlerden çoklu doğrusal regresyon yöntemi ile makine öğrenmesi tekniklerinden destek vektör regresyonu ve ridge regresyon yöntemleri kullanılarak bu yöntemlerin tahmin güçleri karşılaştırılmıştır. Turizm talebinin tahmin edildiği çalışmada 2004-2019 dönemi için aylık veriler kullanılmaktadır. Literatürde turizm talebi tahmin edilirken genellikle talep yönü incelenirken çalışmada turizmin konaklama kapasiteleri ve acente sayıları gibi arz yönü modele dahil edilmiştir. Analizler sonucu en iyi tahmin gücüne sahip yöntemin destek vektör regresyonu olduğu sonucuna ulaşılmıştır. Turizm sektöründeki yöneticiler için karar verme ve planlama süreçlerinde geleneksel tahmin yöntemleri yerine makine öğrenmesi yöntemlerinin kullanılabileceği ortaya koyulmaktadır.

Publisher

Marmara University

Reference54 articles.

1. Alpu, Ö., Şamkar, H., & Altan, E. (2016). Sağlam ridge regresyon analizi ve bir uygulama. Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 25(2), 137-148.

2. Arslan, B., & Ertuğrul, İ. (2022). Çoklu regresyon, ARIMA ve yapay sinir ağı yöntemleri ile Türkiye elektrik piyasasında fiyat tahmin ve analizi, Yönetim ve Ekonomi Araştırmaları Dergisi, 20(1), 331-353.

3. Awad, M., Khanna, R. (2015). Support Vector Regression. Efficient Learning Machines: Theories, Concepts, and Applications for Engineers and System Designers, 67-80.

4. Basak, D., Pal, S., & Patranabis, D. C. (2007). Support vector regression. Neural Information Processing-Letters and Reviews, 11(10), 203-224.

5. Box, G. E. P., & Jenkins, G. M. (1970). Time series analysis, forecasting and control. San Francisco: Holden Day.