مدل ترکیبی پیش بینی تقاضای گردشگری داخلی شهر تهران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه علامه طباطبایی

2 دانشگاه تریت مدرس

10.22034/jtd.2018.148208.1506

چکیده

در سال‌های اخیر با تغییر الگوی تعطیلات و شکل‌گیری تعطیلات کوتاه‌مدت، شهرها فرصتی برای توسعه گردشگری پیدا کردند. به همین منظور پژوهش حاضر سعی دارد ابتدا 4 نوع از مهمترین انواع گردشگری داخلی شهر تهران را شناسایی و سپس مدل‌هایی برای پیش‌بینی متغیرهای تأثیرگذار بر پیش‌بینی تقاضای هر یک از آنها پیشنهاد کند. برای این کار از اطلاعات حتی المقدورماهیانه بین سال‌های 1381 تا 1394 استفاده‌شده است. متغیر مستقل این تحقیق تعداد گردشگران داخلی شهر تهران به تفکیک 4 نوع از مهم‌ترین انواع گردشگری داخلی شهر تهران است و متغیرهای وابسته نیز بر اساس روش دلفی فازی و دیماتل فازی انتخاب شدند، چارچوب مدل، ترکیبی از رگرسیون، شبکه عصبی فازی و الگوریتم SVR است که با ترکیب این روش‌ها می‌توان خطای پیش‌بینی را اندازه‌گیری و روش‌ها را باهم مقایسه کرد. نتایج این پژوهش نشان می‌دهد رویکرد ترکیبی رگرسیون و شبکه‌های عصبی فازی (ANFIS ) دارای کمترین خطا در مقایسه با سایر روش‌ها در خصوص پیش‌بینی گردشگری تفریحی و VFR داخلی و رویکرد ترکیبی رگرسیون و الگوریتم SVR دارای کمترین خطا در مقایسه با سایر روش‌ها در خصوص پیش‌بینی گردشگری پزشکی و تجاری- اداری داخلی است.

کلیدواژه‌ها


عنوان مقاله [English]

Hybrid Model of Forecasting Domestic Tourism Demand of Tehran City

نویسندگان [English]

  • محمدرضا فرزین 1
  • amir afsar 2
  • alireza dabir 1
  • ebtehal zandi 1
1 allame tabatabaei university
2 tarbiyat modares university
چکیده [English]

In recent years, with the changing pattern of holidays and the formation of short-term holidays, cities have found the opportunity for tourism development. Four types of the most important types of domestic tourism in Tehran, based on the statistics of the National Center of Statistics and the views of the experts in this area, is Medical, VFR, Recreational and Business tourism. For this purpose, the present study seeks to propose models for forecasting effective variables on forecasting domestic tourism demand in Tehran based on these four types. To do this, information was used between the years 2001 to 2015. Independent variable of this study is the number of domestic tourists in Tehran, based on these four types and dependent variables were selected based on Delphi and Fuzzy DEMATEL techniques. The model framework is a combination of regression, fuzzy neural network, and SVR algorithm, which combines these methods to measure forecast errors and compare the methods. The results of this research show that the proposed approach of regression can have better prediction than other methods for forecasting domestic Medical tourism and the proposed hybrid approach of regression and Adaptive Neuro-Fuzzy Inference System (ANFIS) can have better prediction than other methods for forecasting domestic VFR and Recreational tourism and the proposed hybrid approach of regression and SVR algorithm can have better prediction than other methods for forecasting domestic Business tourism.

کلیدواژه‌ها [English]

  • Regression
  • Adaptive Neuro-Fuzzy Inference System (ANFIS)
  • Support Vector Regression (SVR) Algorithm
  • Medical tourism
  • Forecasting of Domestic Tourism Demand
اکبرپور، تقی .)1390( پیش بینی تقاضای گردشگری ورودی ایران (رویکرد شبکه های عصبی- فازی.) پایان نامة کارشناسی ارشد، دانشگاه علامه طباطبائی، دانشکدة مدیریت و حسابداری.
 الوانی، مهدی، میرشفیعی، نصرالله .)1378( مدیریت تولید. مشهد: انتشارات آستان قدس رضوی.
الیاس پور، بهنام .)1385( برآورد تابع تقاضای گردشگری خارجی در ایران، . پایان نامة کارشناسی ارشد، دانشگاه شهید بهشتی، دانشکدة علوم اقتصادی و سیاسی.
اینسکیپ، ادوارد 1392، برنامه ریزی و توسعه گردشگری رویکردی یکپارچه و پایدار به برنامه‌ریزی و توسعه گردشگری، ترجمة محمود حسن پور و سعید داغستانی، تهران: مهکامه.
خسروآبادی، محمد .)1385( تخمین تابع تقاضای گردشگری خارجی ایران طی دورة 1344-1383 و ارائه استراتژیهای گسترش صنعت گردشگری ایران (با استفاده از استراتژیهای توسعة گردشگری در مالزی، سنگاپور و مصر.)پایان نامة کارشناسی ارشد، دانشگاه صنعتی اصفهان، دانشکدة صنایع و سیستمها.
رسولی، اسماعیل .)1381( تخمین تابع تقاضای گردشگری ورودی به ایران. پایان نامة کارشناسی ارشد، دانشگاه علامه طباطبایی، دانشکدة اقتصاد.
صفایی، شهاب الدین .)1386( برآورد تابع تقاضای گردشگری ایران با استفاده از داده های سالهای -1384 1359،  پایان نامة کاشناسی ارشد دانشگاه رازی، دانشکدة علوم اجتماعی، گروه اقتصاد.
 ضیایی، محمود و تراب احمدی، مژگان .)1392( شناخت صنعت گردشگری با رویکرد سیستمی. تهران: نشرعلوم اجتماعی.
ضیایی، محمود و عباسپور، نیلوفر .)1390( «ارزیابی کیفیت محصول گردشگری شهری تهران از دید گردشگران درون مرزی.» فصلنامة گردشگری و توسعه، دورة 1، شمارة .1 ص .96-76
عبدی آلادزکه، ابراهیم .)1382( پیش بینی تقاضای گردشگری خارجی با استفاده از شبکة عصبی و رگرسیون فازی. پایان نامة کارشناسی ارشد، دانشگاه صنعتی اصفهان، دانشکدة صنایع و سیستمها.
غلامی پور، لیلا .)1390( تخمین تابع تقاضای گردشگری در استانهای منتخب. استاد راهنما هوشنگ مؤمنی وصالیان، پایان نامة کارشناسی ارشد، دانشگاه آزاد اسالمی واحد تهران مرکز
فرجی راد، عبدالرضا و آقاجانی، سعید .)1388( «تحلیلی نو پیرامون گردشگری و جدیدترین طبقه بندی آن.»فصلنامة جغرافیایی سرزمین، علمی ـ تحقیقی، سال ششم، شمارة 23، صص .62-48
فهیمی فرد، محمد، سالارپور، ماشاالله، صبوحی، محمود .)1390( «مقایسة توان پیش بینی مدل عصبی- فازی با مدل شبکة عصبی و خودرگرسیونی ARIM، مطالعة موردی قیمت هفتگی تخممرغ.» فصلنامة اقتصاد کشاورزی و توسعه، سال نوزدهم، شمارة 74، ص.145-138
کاوه ئیان، نسترن .)1381، برآورد تابع تقاضای گردشگری بین المللی ایران طی سالهای 1350-1375، پایان نامة کارشناسی ارشد، دانشگاه شهید بهشتی، دانشکدة علوم اقتصادی و سیاسی
منهاج محمدباقر، کاظمی، عالیه، شکوری گنجوی، حامد، مهرگان، محمدرضا و تقی زاده، محمد )1389( «.پیش بینیتقاضای انرژی بخش حمل ونقل با استفاده از شبکه های عصبی: مطالعة موردی در ایران.» مجلة مدرس علوم انسانی،دورة چهاردهم، شمارة .2صص .186-172
 موسایی، میثم 1383، تخمین تابع تقاضای توریسم به ایران.» فصلنامة تحقیق نامة بازرگانی، دورة 8، شمارة23، ص 224-225
نوری، مهناز، 1375، برآورد تابع تقاضای گردشگری در ایران .1348-72 پایان نامة کارشناسی ارشد، دانشگاه الزهرا، دانشکدة علوم اقتصادی و اجتماعی.
Arbel, A. and Revid, A. (2001). “On recreation demand: A time series approach”.22(3/4), pp. 7-20
Athanasopoulos, G., Deng, M., Li, G. and Song, H. (2014). “Modeling substitution between domestic and outbound tourism in Australia: A system-of-equations approach”. Journal of Tourism Management. 45, pp 159-170
Athanasopoulos, G. and Hyndman R. (2008). “Modeling and Forecasting Australian domestic”. Journal of Tourism Management, 33(3) .pp. 415-423.
Burkart, A. J. and Medelik, S. (1981). Tourism: Past, Present and Future, 2nd edn.Oxford.
Can, V. (2013). Modeling tourism demand, travel mode choice and destination loyalty, a dissertation for the degree of Philosophies Doctor, Faculty of Biosciences, Fisheries and Economics, Troms University Business School.
Cavalli-Sforza, V. and Ortolano, L. (1984). “Delphi forecasts of land-use–transportation interactions”. Journal of Transportation Engineering, 110(3), 324-339.
Chang, P-T. (1998). “The fuzzy Delphi method via fuzzy statistics and membership function fitting and application to the human resources”. Fuzzy Sets and Systems, 112, 432-456.
Chen, K-Y. and Wang, C-H. (2007). “Support vector regression with genetic algorithms in forecasting tourism demand”. Journal of Tourism Management, 28, 215–216.
Cho, V. (2003). “A comparison of three different approaches to tourist arrival forecasting”. Journal of Tourism Management, vol. 24, 323–330.
Claveria, O. and Torra, A. (2014). “Forecasting Tourism Demand to Catalonia: Neural Networks vs. Time Series Models”. Economic Modeling, 36, pp. 220-228.
Crouch, G. I. and Ritchie, J. B. (1999). “Tourism, competitiveness, and societal prosperity”. Journal of Business Research, 44(3), 137-152.
Diamond, J. (2000). Tourism role in economics development, the case Re-examines economic development and Cultural Change, 25(3), 539-553.
Forbes, K., Berthur, M. and Sebastian, V. (2014). “Pricing and domestic tourism performance in Zimbabwe”. African Journal of Hospitality, Tourism and Leisure 3(2), pp. 1-12.
Hamal, K. (2007). “Modeling domestic holiday tourism demand in Australia: problems and solutions”. Asia Pacific Journal of Tourism Research, vol. 1 no. 2, pp. 35-46.
Jaume, R. and Aon, W. (2015). “The Use of Tourism Demand Models in the Estimation of the Impact of Climate Change on Tourism”. Special Issue, 26,1 ,pp 4-20.
Köber, J., Prettenthaler, F. and Neil Bird, D. (2016). “Modeling climate change impacts on tourism demand: A comparative study from Sardinia (Italy) and Cap Bon (Tunisia)”. Journal of Science of The Total Environment, vol. 543, Part B, pp 1039– 1053.
Law, R. and Au, N. (1999). “A Neural network model to forecast Japanese demand for travel to Hong Kong”. Journal of Tourism Management. no. 20, pp. 89-97.
Lohmann, M. (2004). “New Demand Factors in Tourism Paper presented to the European Tourism Forum. Budapest, Hungary, October 14, 2004.
Massidda, C. and Etzo, I. (2012). “The Determinants of Italian Domestic Tourism: A Panel Data Analysis”. Journal of Tourism Management, 33(3) .pp. 415-423.
Mustafa M. H. (2012). “Improving the contribution of domestic tourism to the economy of Jordan”. Asian Social Science. 8(2), pp. 49-61
Okoli, C. and Pawlowski, S. (2004). “The Delphi method as a research tool: an example, design considerations and applications”. Information & Management, 42(1), 15-29.
Pai, P. F., Hong, W. C., Chang, P. T. and Chen, C. T. (2006). “The application of support vector machines to forecast tourist arrivals in Barbados: an empirical study”. International Journal of Management, 23, 375–385.
Palmer, A., Jose, Montano, J. and Sese, A. (2006). “Designing an artificial neural network for forecasting tourism time series”. Journal of Tourism Management. vol. 27, 781-790.
Patuelli, R. Mussoni, M. and Candela, G.(2013). “The effects of World Heritage Sites on domestic tourism: a spatial interaction model for Italy”. Journal of Geographical Systems, 15(3), pp. 369-402.
Pearce, D. G. (2001). Towards a Regional Analysis of Tourism in Southeast Asia. In: P., Teo, T. C., Chang, K. C., Ho (Eds.) Interconnected Worlds: Tourism in Southeast Asia. Oxford, Pergamum.
Romilly P. Liu, X. and Song. H. (2009). “Economic and social determinant of international Tourism spending: A panel data analysis”. Tourism Analysis. 18(2), pp. 389-412.
Shen, S., Li, G. and Song, H. (2011). “Combination forecasts of international tourism demand”. Annals of Tourism Research, 38, 72–89.
Song, H. and Turner, L. (2006). “Tourism demand forecasting”. In L. Dwyer and P. Forsyth (Eds.), International Handbook on the Economics of Tourism. Cheltenham: Edward Elgar.
Vapnik, V. (1995). The Nature of Statistical Learning Theory. New York: Springer- Verlag.
Vetitnev, A., Kopyirin, A., Kiseleva, A. (2015). “System dynamics modeling and forecasting health tourism demand: the case of Russian resorts”. Journal of Current Issues in Tourism,32(3), pp. 618-623.
Weng, G. and Li, L. (2015). “Study of Tourism Flow Forecasting Based on a Seasonally Adjusted Particle Swarm Optimization-support Vector Regression Model.” Journal Of Information & Computational Science, 12(7), 2747-2757.
Yang,y, Liu, Z. and Qi, Q. (2014) “Domestic tourism demand of urban and rural residents in China: Does relative income matter?”. Journal of Tourism Management, vol. 40, pp. 193–202.
Yepremian...G, (2005). “Forcasting Tourism Demand in Japon”. International Journal of Forcasting, vol 12, pp. 447-475