مدل¬سازی پیش‌بینی تقاضای گردشگری تفریحی داخلی شهر تهران
الموضوعات :محمدرضا فرزین 1 , امیر افسر 2 , علیرضا دبیر 3 , ابتهال زندی 4
1 - دانشگاه علامه طباطبایی
2 - دانشگاه تربیت مدرس
3 - دانشگاه علامه طباطبایی
4 - عضو هیات علمی دانشگاه آزاد اسلامی واحد تهرلن غرب
الکلمات المفتاحية: رگرسیون# شبکه عصبی فازی# الگوريتم SVR, گردشگری تفریحی# پیش‌بینی تقاضای گردشگری تفریحی داخلی# شهر تهران#,
ملخص المقالة :
يكي از مهم ترين رويدادها در صنعت گردشگري هر كشور، ميزان تقاضا براي يك محصول يا مقصد گردشگري است. اما باید توجه داشت پیش‌بینی‌ها هرگز نمی‌توانند به طور صددرصد با آنچه در عمل پیش خواهد آمد تطابق داشته باشند. همیشه فواصل و انحرافاتی بین مقادیر واقعی و پیش‌بینی موجود خواهد بود، ولی استفاده از روش‌های علمی و نوین در امر پیش‌بینی، باعث خواهد شد نتایج حاصله به مراتب بیش از یک تخمین عینی به حقیقت نزدیک شود. در سال‌های اخیر با تغییر الگوی تعطیلات و شکل-گیری تعطیلات کوتاه مدت، شهرها فرصتی برای توسعه گردشگری پیدا کردند. یکی از مهم ترین انواع گردشگری داخلی شهر تهران، بر اساس آمار مرکز ملی آمار و نظرات صاحب نظران این حوزه، گردشگری تفریحی است به همین منظور پژوهش حاضر سعی دارد مدل هايي براي پيش بيني تقاضای گردشگری تفریحی داخلی شهر تهران پيشنهاد كند. براي اين كار از اطلاعات ماهیانه بين سال هاي 1381 تا 1394 استفاده شده است. متغير مستقل اين تحقيق تعداد گردشگران تفریحی داخلی شهر تهران است و متغیرهای وابسته نیز بر اساس تکنیک دلفی و دیماتل فازی انتخاب شدند، چارچوب مدل، تركيبي از رگرسیون ، شبکه عصبی فازی و الگوریتمSVR است که با ترکیب این روش‌ها مي توان خطاي پيش بيني را اندازه گيري و روش‌ها را با هم مقايسه كرد. نتايج اين پژوهش نشان مي‌دهد رویکرد ترکیبی رگرسیون و شبکه های عصبی فازی (ANFIS) پیشنهادی می‌تواند پیش‌بینی بهتری نسبت به سایر روش‌ها در خصوص پیش‌بینی گردشگری تفریحی داخلی داشته باشد.
اکبرپور، تقی. (1390)، پیش¬بینی تقاضای گردشگری ورودی ایران (رویکرد شبکه¬های عصبی- فازی)، استاد راهنما محمدرضا فرزین، پایان¬نامه کارشناسی ارشد، دانشگاه علامه طباطبایی، دانشکده مدیریت و حسابداری.
¬¬ الوانی، سید مهدی، میر شفیعی، نصرالله.(1378).مدیریت تولید. مشهد: انتشارات آستان قدس رضوی.
¬¬ الیاس پور، بهنام.(1385)، برآورد تابع تقاضای گردشگری خارجی در ایران پایاننامه کاشناسیارشد، دانشگاه شهید بهشتی، دانشکده علوم اقتصادی و سیاسی.
¬¬ اینسکیپ، ادوارد(1392)، برنامه ریزی گردشگری رویکردی یکپارچه و پایدار به برنامه ریزی و توسعه گردشگری، ترجمه محمود حسن پور و سعید داغستانی، تهران: مهکامه.
خسروآبادی، محمد.(1385)، تخمین تابع تقاضای گردشگری خارجی ایران طی دوره 1383-1344 و ارایه استراتژیهای گسترش صنعت گردشگری ایران (با استفاده از استراتژیهای توسعه گردشگری در مالزی، سنگاپور و مصر).پایان نامه کارشناسیارشد، دانشگاه صنعتی اصفهان، دانشکده صنایع و سیستمها.
رسولی، اسماعیل.(1381)، تخمین تابع تقاضای گردشگری ورودی به ایران. پایاننامه کارشناسیارشد، دانشگاه علامه طباطبایی، دانشکده اقتصاد.
صفائی، شهاب الدین.(1386)، برآورد تابع تقاضای گردشگری ایران با استفاده از داده‌های سال‌های ۱۳۸۴- ۱۳۵۹.پایاننامه کاشناسیارشد، دانشگاه رازی، دانشکده علوم اجتماعی، گروه اقتصاد.
ضیایی، محمود، تراب احمدی، مژگان.(1393)، شناخت صنعت گردشگری با رویکرد سیستمی، تهران: نشر علوم اجتماعی.
عبدی آلادزگه، ابراهیم.(1382)، پیش‌بینی تقاضای گردشگری خارجی با استفاده از شبکه عصبی و رگرسیون فازی.پایان نامه کارشناسیارشد، دانشگاه صنعتی اصفهان، دانشکده صنایع و سیستمها.
غلامی پور، لیلا.(1390)، تخمین تابع تقاضای گردشگری در استانهای منتخب، استاد راهنما هوشنگ مومنی وصالیان، پایان نامه کارشناسی ارشد، دانشگاه آزاد اسلامی واحد تهران مرکز. فرجی زاده، ع، آقاجانی، س(1388)، تحليلي نو پيرامون گردشگري و جديدترين طبقه‌بندی آن، فصلنامه جغرافيايي سرزمين، علمي – تحقیقي، سال ششم، شماره 23.
فهیمی فرد، سید محمد، سالارپور، ماشالله، صبوحی، محمود.(1390)، مقایسه توان پیش‌بینی مدل عصبی- فازی با مدل شبکه عصبی و خود رگرسیونی ARIMA، مطالعه موردی قیمت هفتگی تخم مرغ، فصلنامه اقتصاد کشاورزی و توسعه، سال 19، شماره 74 صص 138-145.
کاوهئیان، نسترن.(1381)، برآورد تابع تقاضای گردشگری بین المللی ایران طی سال‌های 75-1350.پایاننامه کارشناسیارشد، دانشگاه شهید بهشتی، دانشکده علوم اقتصادی و سیاسی.
منهاج؛ محمدباقر؛ کاظمی، عالیه؛ شکوري گنجوي، حامد؛ مهرگان، محمدرضا و تقی زاده، محمد.(1389). پیش‌بینی تقاضاي انرژي بخش حمل و نقل با استفاده از شبکه هاي عصبی:مطالعۀ موردي در ایران، مجله مدرس علوم انسانی، دوره چهاردهم، شماره 2.
موسایی، میثم. (1383)، تخمین تابع تقاضای توریسم به ایران. فصلنامه تحقیقنامه بازرگاني، دوره8، شماره 23، صص 225-244.
نوری، مهناز.(1375)، برآورد تابع تقاضای گردشگری در ایران 72-1348. پایاننامه کارشناسیارشد، دانشگاه الزهرا، دانشکده علوم اقتصادی و اجتماعی.
Arbel, A. and Abraham, A. (2001).On recreation demand: A time series approach. 22(3/4), pp7-20.
Athanasopoulos, G, Deng, M, Li, G, Song, H, (2014), Modeling substitution between domestic and outbound tourism in Australia: A system-of-equations approach, Tourism Management 45 .pp 159e170
. Athanasopoulos, G. 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.
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.
Chen, K.-Y., & Wang, C.-H. (2007). Support vector regression with genetic algorithms in forecasting tourism demand. Tourism Management, 28, 215–216.
Cho, V. (2003).A comparison of three different approaches to tourist arrival forecasting. 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., & Ritchie, J. R. B. (1999). Tourism, competitiveness, and societal prosperity. Journal of Business Research, 44, 137-152.
Diamond, J. (2000). Tourism role in economics development, the case Re-examines economic development.
Forbes, K, Berthur, M, Sebastian, V, (2014), Pricing and domestic tourism performance in Zimbabwe, African Journal of Hospitality, Tourism and Leisure. Vol. 3 (2).
Gabus, A., & Fontela, E. (1972). World problems, an invitation to further thought within the framework of DEMATEL. Switzerland, Geneva: Battelle Geneva Research Centre.
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, 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, 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, Volume 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. Tourism Management. No. 20, pp. 89-97.
Lohmann, M.(2004), New Demand Factors in Tourism. presented to the European Tourism Forum, Budapest.
Makridakis, S., Hibon, M. (٢٠٠٠). “The M٣-competition: Results, conclusions and implications”. International Journal of Forecasting ١٦, ٤٥١–٤٧٦.
Massidda, C, 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. vol 8 no 2 pages 49-61.
Pai, P. F., Hong, W. C., Chang, P. T., & 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, Montanoو J and Sese, A. (2006). Designing an artificial neural network for forecasting tourism time series. Tourism Management. Vol. 27, 781-790.
Patuelli, R, Mussoni, M, Candela, G(2013), The Effects of World Heritage Sites on Domestic Tourism: A Spatial Interaction Model for Italy, The Rimini Centre for Economic Analysis journal, Volume 11, pp 189–213.
Pearce, D. G., (2001). Towards a Regional Analysis of Tourism in Southeast Asia. In: Teo, P., Chang, T. C., Ho, K. C. (Eds.) Interconnected Worlds: Tourism in Southeast Asia. Oxford, Pergamum.
Rostamzadeh, R, Sofian, S(2011), Prioritizing effective 7 Ms to improve production systems performance using fuzzy AHP and fuzzy Topsis (case study), Expert system with Applications, Vol.38, pp5166-5177.
Romilly P. Liu, X. and Song. H.(2009) ”Economic and social determinant of international Tourism spending: A panel data analysis’. Tourism Analysis.
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.
Shen, S., Li, G., & Song, H. (2011). Combination forecasts of international tourism demand. Annals of Tourism Research, 38, 72–89.
Tzeng, G.-H., Chiang, C.-H., & Li, C.-W. (2007). Evaluating intertwined effects in e-learning programs: A novel hybrid MCDM model based on factor analysis and DEMATEL. Expert Systems with Applications, 32, 1028–1044.
Vapnik, V. (1995). The Nature of Statistical Learning Theory. Springer-Verlag, New York.
Vetitnev, A, Kopyirin, A, Kiseleva, A, (2015), System dynamics modeling and forecasting health tourism demand: the case of Russian resorts, pp618-623.
Yang, y, Liu, Z, Qi, Q.(2014) Domestic tourism demand of urban and rural residents in China: Does relative income matter?, Journal of Tourism Management, Volume 40, pp 193–202.
Yepremian..G, (2005), Forecasting Tourism Demand in Japon, International Journal of Forecasting, Vol 12.pp447-75.
