مدل سازی پیش بینی گردشگری ورودی به ایران با استفاده از روش هایARIMA و شبکه های عصبی فازی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار گروه مدیریت جهانگردی دانشگاه علامه طباطبائی

2 استادیار دانشکده مدیریت دانشگاه قم

3 دانشجوی دکتری مدیریت دولتی دانشگاه تهران

4 دانشجوی کارشناسی ارشد مدیریت جهانگردی دانشگاه علامه طباطبائی

چکیده

صنعت گردشگری به عنوان یک صنعت پاک و اشتغالزا، در سال‎های اخیر جزء درآمدزاترین صنایع جهان بوده و همواره مورد توجه سیاست‎ها و برنامه‎های توسعه گرانه می‎باشد. دولت‎ها و بخش‎های خصوصی در سطوح کلان تا خرد جهت توسعه و بقاء در بخش گردشگری نیازمند پیش‎بینی تقاضا در این بخش می‎باشند. هر چند که اکثر مطالعات انجام گرفته جهت پیش‎بینی تقاضا در گردشگری از روش‎های کمی استفاده کرده‎اند ولی رویکردها و روش‎های کمی و کیفی گوناگونی برای این امر پیشنهاد و استفاده شده‎اند. در مطالعات پیشین به ویژه با توجه به معرفی نسبتا جدید رویکردهای شبکه‎های عصبی و شبکه‎های عصبی فازی، روش‎های هوش مصنوعی، کمتر در پیش‎بینی در بخش گردشگری مورد استفاده قرار گرفته اند.مطالعه حاضر قصد دارد میزان تقاضای گردشگری ورودی به ایران را از طریق مدل پیشنهادی شبکه‎های عصبی فازی پیش‎بینی کند و صحت و دقت عملکرد این روش را با روش ‎ARIMA مقایسه کند. این مطالعه پس از تعیین و اولویت بندی مهمترین عوامل تاثیرگذار بر تابع تقاضای گردشگری ورودی به ایران و تعیین معماری شبکه‎های عصبی فازی به این نتیجه دست یافت که در تمامی معیارهای ارزیابی عملکرد پیش‎بینی، روش مدل شبکه‎های عصبی فازی بر ARIMA برتری دارد.
 

کلیدواژه‌ها


آذر، عادل و رجب زاده، علی. (1382). ارزیابی روش‎های پیش بینی ترکیبی: با رویکردهای شبکه‎های عصبی-کلاسیک درحوزه اقتصاد، مجله تحقیقات اقتصادی، شماره 63، ص 114-87.

آذر، عادل و مؤمنی، منصور. (1377). آمار و کاربرد آن در مدیریت. جلد دوم. چاپ دوم. انتشارات سمت. تهران.

الیاس پور، بهنام. (13۸۵). برآورد تابع تقاضای جهانگردی خارجی در ایران.پایاننامه کاشناسیارشد، دانشگاه شهید بهشتی، دانشکده علوم اقتصادی و سیاسی.

حبیبی، ف. (1381). تصریح و تخمین مدل تقاضای توریسم. پایاننامه کارشناسیارشد، دانشگاه تهران، دانشکده اقتصاد.

خسروآبادی، محمد. (1385). تخمین تابع تقاضای توریسم خارجی ایران طی دوره 1383-1344 و ارایه استراتژی‎های گسترش صنعت توریسم ایران (با استفاده از استراتژی‎های توسعه توریسم در مالزی، سنگاپور و مصر).پایان نامه کارشناسیارشد، دانشگاه صنعتی اصفهان، دانشکده صنایع و سیستم‎ها. 

رسولی، اسماعیل. (1381). تخمین تابع تقاضای جهانگردی ورودی به ایران.پایاننامه کارشناسیارشد، دانشگاه علامه طباطبایی، دانشکده اقتصاد.

صفائی، شهاب‌الدین. (۱۳۸۶). برآورد تابع تقاضای جهانگردی ایران با استفاده از داده‌های سال‎های ۱۳۸۴- ۱۳۵۹.پایاننامه کاشناسیارشد، دانشگاه رازی، دانشکده علوم اجتماعی، گروه اقتصاد.

عبدی آلادزگه، ابراهیم. (1382). پیش‌بینی تقاضای توریسم خارجی با استفاده از شبکه عصبی و رگرسیون فازی.پایان نامه کارشناسیارشد، دانشگاه صنعتی اصفهان، دانشکده صنایع و سیستم‎ها. 

کاوه‎ئیان، نسترن. (1381). برآورد تابع تقاضای جهانگردی بین المللی ایران طی سال‎های 75-1350.پایاننامه کارشناسیارشد، دانشگاه شهید بهشتی، دانشکده علوم اقتصادی و سیاسی.

منهاج، محمدباقر. (1379).هوش محاسباتی: مبانی شبکةهای عصبی،جلد اول، مرکز نشر دانشگاه صنعتی امیر کبیر.

موسایی، م. (1379). بررسی تقاضای صنعت گردشگری در ایران.فصلنامه تحقیقات فرهنگی، سال چهارم، شماره 16 و 17.

مهناز نوری. (1375).برآورد تابع تقاضای توریسم در ایران 72-1348. پایاننامه کارشناسیارشد، دانشگاه الزهرا، دانشکده علوم اقتصادی و اجتماعی.

Bloom, J.Z. (2002).The sequencing of neural networks for segmenting the market of a tourist destination. Tourism, Vol. 50(4), 325–338.

Bloom, J.Z. (2004).Tourist market segmentation with linear and nonlinear techniques.Tourism Management, Vol. 25, 723–733.

Bloom, J.Z. (2005). Market segmentation: A neural network application. Annals of Tourism Research, Vol. 32(1), 93–111.

Box, G.E.P., and Jenkins, G.M. (1976). Time series analysis: Forecasting and control. San Francisco: Holden Day.

Burger, C; Dohnal, M; Kathrada, M and Law, R. (2001).A practitioner’s guide to time series methods for tourism demand forecasting- a case study of Durban, South Africa.Tourism management. No. 22, pp. 403-409.

Chandra, S., and Menezes, D. (2001). Applications of multivariate analysis in international tourism research: The marketing strategy perspective of NTOs. Journal of Economic and Social Research, Vol. 3(1), 77–98.

Cho, V. (2003).A comparison of three different approaches to tourist arrival forecasting.Tourism Management, Vol. 24, 323–330.

Dolnicar, S., and Fluker, M. (2003).Behavioural market segments among surf tourists: Investigating past destination choice. Journal of Sport Tourism, Vol. 8(3), 186–196.

Fretchling, DC.(2001). Forecasting Tourism Demand: Methods and Strategies.Butterworth-Heinemann, Oxford.

Hansen, J.V., McDonald, J.B., and Nelson, R.D. (1999). Time series prediction with genetic-algorithm designed neural networks: An empirical comparison with modern statistical models. Computational Intelligence, Vol. 15(3), 171–184.

Haykin S, (1999), Neural Networks: a Comprehensive Foundation, §4.1-4.9, Prentice Hall.

Kon, S.C., and Turner, W.L. (2005).Neural network forecasting of tourism demand.Tourism Economics, 11, 301–328.

Law, R and Au, N. (1999).A Neural network model to forecast Japanese demand for travel to Hong Kong.Tourism Management. No. 20, pp. 89-97.

Law, R and Au, N. (1999).A Neural network model to forecast Japanese demand for travel to Hong Kong.Tourism Management. No. 20, pp. 89-97.

Morley, C. (2000). Demand modelling methodologies: Integration and other issues. Tourism Economics, Vol. 6(1), 5–19.

Palmer, Alfonso; Jose, Montano Juan and Sese, Albert.(2006).Designing an artificial neural network for forecasting tourism time series.Tourism Management. Vol. 27, 781-790.

Preman Fernando, Hubert.(2005). Neuro-Fuzzy Forecasting of Tourist Arrivals.Doctor of Philosophy Thesis .School of Applied Economics.Faculty of Business and Law. Victoria University.

Song, Haiyan and Li, Gang. (2006). Tourism demand modelling and forecasting-A review of recent research.Tourism Management. Vol. 29, pp. 203-220.

Song, H., and Turner, L. (2006).Tourism demand forecasting.In L. Dwyer, & P. Forsyth (Eds.), International handbook on the economics of tourism. Cheltenham: Edward Elgar.

Uysal, M., and El Roubi, M.S. (1999). Artificial neural networks versus multiple regressions in tourism demand analysis. Journal of Travel Research, Vol. 38, 111–118.

Wang, Chao-Hung. (2004). Predicting tourism demand using fuzzy time series and hybrid grey theory. Tourism Management. Vol.25, 367–374.

Witt, C.A., and Witt, S.F. (1990).Appraising an econometric forecasting model. Journal of Travel Research, Vol. 28(3), 30–34.

Witt, S.F., and Witt, C.A. (1992).Modeling and forecasting demand in tourism. London: Academic Press.

Witt, S.F., and Witt, C. A. (1995). Forecasting tourism demand: A review of empirical research. International Journal of Forecasting, Vol. 11(3), 447–475.