Türkiye'deki Havalimanlarının Etkinlik Tahmini: Veri Zarflama Analizi Ve Yapay Sinir Ağlarının Birlikte Kullanımı.

Abstract

Çalışmada öncelikle Türkiye'de yer alan havalimanlarının Veri Zarflama Analizi (VZA) yardımıyla etkinlikleri hesaplanmıştır. Ardından VZA sonuçları ve VZA'da kullanılan veriler yardımıyla mevcut veya yeni açılacak bir havalimanının etkinliğinin tahmin edilebileceği bir Yapay Sinir Ağları (YSA) modeli geliştirilmiştir. Çalışma kapsamında Türkiye'de yer alan 41 havalimanı incelenmiştir. VZA'da check-in kontuarları sayısı, bagaj konveyörleri sayısı, yolcu biniş kapısı sayısı (köprüler dahil), pist sayısı, terminal büyüklüğü, çalışan sayısı, otopark kapasitesi girdi olarak; toplam yolcu sayısı, toplam yük trafiği ve toplam ticari uçuş trafiği de çıktı olarak kullanılmıştır. VZA sonucunca 19 havalimanının etkin olarak çalıştığı bulunmuştur. VZA sonrasında havalimanlarının etkinlik durumunun tahmin edilebileceği bir YSA modeli geliştirilmesi amaçlanmıştır. VZA'da kullanılan girdi ve çıktı değişkenleri YSA'da girdi katmanında, VZA sonucu elde edilen etkinlik durumları ise YSA'da çıktı katmanında kullanılmıştır. Çalışmada YSA'nın eğitilmesi kısmında 1 ve 2 gizli katmana sahip yapılar, her bir katman için 1'den 6'ya kadar farklı nöron sayısına sahip olacak şekilde denenmiştir. En iyi ağ yapısı bir çok deneme arasından en düşük ortalama kareler hatasına sahip olan yapı seçilerek bulunmuştur. En uygun sonuç 2 katmanlı yapıda ilk katmanda 5, ikinci katmanda 6 nöronun yer aldığı yapıda bulunmuştur. Seçilen bu yapı 6 farklı havalimanı verisini içeren test kümesi yardımıyla test edilmiştir. Geliştirilen yapı test kümesinde yer alan bütün havalimanları için etkinlik durumunu doğru sınıflandırmıştır. Geliştirilen bu model havalimanlarının etkinlik durumunu tahmin etmede kullanılabilecektir. Karar vericiler çeşitli senaryo veya gerçek değerleri bu model üzerinde uygulayarak havalimanının etkinlik durumunu değerlendirebileceklerdir.

In this study firstly efficiency of airports was found by using Data Envelopment Analysis (DEA). After that an Artificial Neural Network (ANN) model was created to predict efficiency situation for current or new airports by using data which used in DEA and efficiency situation according to DEA. This study takes into consideration 41 Turkish airports. Number of check-in counters, number of baggage conveyors, number of gates (bridges included), number of runways, terminal size, number of employees and autopark capacity are set as inputs, while total freight traffic, number of passengers and number of commercial air traffic movement are set as outputs. The results of DEA show that 19 airports work efficiently in Turkey. After DEA, ANN model development, which can predict an efficiency situation was aimed. For this purpose variables which used in DEA as input and outputs, used in ANN in input layer and efficiency situation of an airport, which found by using DEA used in ANN in output layer. In the training process of ANN was run for different numbers of hidden layers from 1 to 2 and for different numbers of neurons in each hidden layers from 1 to 6. The ANN structure which has an lowest mean square error was selected as a best structure. Best results was obtained from 2 hidden layer structure which has 5 neurons in the first layer and 6 neurons in the second layer. This structure tested by test group which has 6 different airport datas. Model correctly classified efficiency situation of all airports which were in the test group. This model can be used for predicting efficiency situation of airports. Decision makers can evaluate different scenarios or their own performance by using this structure.