Zaman serileri analizi yöntemi ile havalimanı yolcu tahmini: Balıkesir/Edremit Koca Seyit Havalimanı örneği

Abstract

Bu çalışma Edremit Koca Seyit Havalimanı’na ait aylık yolcu verilerini kullanarak hava yolu ulaşımında talep tahmini üzerine bir analiz sunmaktadır. Hava yolu sektörü, ekonomik dalgalanmalara ve mevsimsel etkilere karşı oldukça hassas bir yapıya sahip olduğundan, talep tahmini süreci şirketlerin operasyonel planlamasında kritik öneme sahiptir. Bu doğrultuda, zaman serisi analiz tekniklerinden biri olan ARIMA modeli kullanılarak yolcu sayısına ilişkin öngörülerde bulunulmuştur. Çalışmada, 2010 yılı Ağustos ayından 2024 yılı Ekim ayına kadar olan döneme ait aylık yolcu verileri analiz edilmiş, veri seti durağan hale getirilmiş ve uygun ARIMA modeli belirlenerek tahmin süreci gerçekleştirilmiştir. ARIMA (11,1,6) modeli, yapılan istatistiksel testler sonucunda en uygun model olarak seçilmiştir. ARIMA (11,1,6) modeli, AIC ve BIC değerleri açısından en düşük sonuçları vermiştir. Kalıntı analizi sonucunda, hatalar rassal şekilde dağılmış ve otokorelasyon içermemiştir. Bu da modelin istatistiksel olarak güvenilir olduğunu göstermektedir. Bu çalışmanın sonuçları, havalimanı yönetimi, hava yolu şirketleri ve ulaşım planlamacıları için veri odaklı karar destek mekanizmalarının geliştirilmesine katkı sağlamaktadır. Ayrıca, literatürde ARIMA modelinin hava yolu talep tahmini üzerine uygulanabilirliğini güçlendiren bulgular sunarak bu alandaki akademik boşluğu doldurmayı hedeflemektedir.

This study presents an analysis of air transportation demand forecasting using monthly passenger data from Edremit Koca Seyit Airport. As the airline industry is highly sensitive to economic fluctuations and seasonal effects, demand forecasting plays a critical role in the operational planning of airline companies. In this context, passenger forecasts were made using the ARIMA model, one of the time series analysis techniques. In the study, monthly passenger data from August 2010 to October 2024 were analyzed. The dataset was transformed into a stationary form, and the most appropriate ARIMA model was selected to carry out the forecasting process. Based on statistical tests, the ARIMA (11,1,6) model was identified as the best-fitting model. This model yielded the lowest AIC and BIC values. Residual analysis showed that the errors were randomly distributed and did not contain autocorrelation, indicating the statistical reliability of the model. The findings of this study contribute to the development of data-driven decision support mechanisms for airport management, airline companies, and transportation planners. Furthermore, it aims to fill a gap in the academic literature by providing evidence supporting the applicability of the ARIMA model in airline demand forecasting.