پیوندهای مفید
آمار
| تعداد نشریات | 30 |
| تعداد شماره‌ها | 467 |
| تعداد مقالات | 4,522 |
| تعداد مشاهده مقاله | 7,145,311 |
| تعداد دریافت فایل اصل مقاله | 5,334,975 |
مدل سازی پیشبینی تقاضای گردشگری بازدید از دوستان و بستگان(VFR ) داخلی شهر تهران | ||
| برنامه ریزی و توسعه گردشگری | ||
| مقاله 6، دوره 7، شماره 26، آذر 1397، صفحه 122-145 اصل مقاله (1.12 M) | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22080/jtpd.2018.2044 | ||
| نویسندگان | ||
| محمد رضا فرزین* 1؛ امیر افسر2؛ علیرضا دبیر1؛ ابتهال زندی3 | ||
| 1عضو هیات علمی گروه گردشگری دانشگاه علامه طباطبایی | ||
| 2عضو هیات علمی دانشگاه تربیت مدرس | ||
| 3عضو هیات علمی گروه مدیریت جهانگردی و هتلداری دانشکده مدیریت دانشگاه آزاد اسلامی | ||
| تاریخ دریافت: 27 فروردین 1397، تاریخ بازنگری: 19 آبان 1397، تاریخ پذیرش: 03 آذر 1397 | ||
| چکیده | ||
| یکی از مهمترین رویدادها در صنعت گردشگری هر کشور، میزان تقاضا برای یک محصول یا مقصد گردشگری است. اما باید توجه داشت پیش‌بینی‌ها هرگز نمی‌‌توانند به طور صد درصد 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 مهمترین انواع گردشگری داخلی شهر تهران بر اساس آمار مرکز ملی آمار و نظرات صاحب نظران این حوزه، گردشگری بازدید از دوستان و بستگان(VFR) است به همین منظور پژوهش حاضر سعی دارد مدل هایی برای پیش بینی تقاضای گردشگری بازدید از دوستان و بستگان(VFR) داخلی شهر تهران پیشنهاد کند. برای این کار از اطلاعات ماهیانه بین سالهای 1381 تا [1]1394 استفاده شده است. متغیر مستقل این تحقیق تعداد گردشگران بازدید‌کننده از دوستان و بستگان(VFR) داخلی شهر تهران است و متغیرهای وابسته نیز بر اساس تکنیک دلفی و دیماتل فازی انتخاب شدند، چارچوب مدل، ترکیبی از رگرسیون[2]، شبکه عصبی فازی[3] و الگوریتمSVR[4] است که با ترکیب این روش‌ها می‌توان خطای پیش بینی را اندازه گیری و روش‌ها را با هم مقایسه کرد. نتایج این پژوهش نشان می‌دهد رویکرد ترکیبی رگرسیون و شبکه های عصبی فازی(ANFIS)پیشنهادی می‌‌تواند پیشبینی بهتری نسبت به سایر روش‌ها در خصوص پیشبینی گردشگری بازدید از دوستان و بستگان(VFR) داخلی داشته باشد. [1] علت بررسی تا سال 1394 عدم انتشار آمار سال های 1395 و 1396 توسط مرکز ملی آمار تا کنون است. [2] Regression [3] Adaptive Neuro-Fuzzy Inference System (ANFIS) [4] Support Vector Regression(SVR( | ||
| کلیدواژه‌ها | ||
| رگرسیون؛ شبکه عصبی فازی؛ الگوریتم SVR؛ پیشبینی تقاضای گردشگری بازدید از دوستان و بستگان(VFR) داخلی؛ شهر تهران | ||
| عنوان مقاله [English] | ||
| Hybrid Modeling for Forecasting of Domestic VFR Tourism Demand in Tehran | ||
| نویسندگان [English] | ||
| Mohammad reza Farzin1؛ Amir Afsar2؛ Alireza Dabir1؛ Ebtehal Zandi3 | ||
| 1Faculty Member of Allameh Tabatabaei University | ||
| 2Faculty Member of Tarbiat Modares University | ||
| 3Faculty Member of Management and Tourism Management Department of Islamic Azad University | ||
| چکیده [English] | ||
| Extended Abstract Most management decisions at all levels of the organization directly or indirectly depend on the state of future prediction, and through the same prediction that one can imagine a success or a status in the future, thereby minimizing risk or making any adjustments and adaptations in the program (Inskeep, 2004). Introduction One of the most important events in the tourism industry of each country is the demand for a product or destination of tourism. But it should be noted that predictions can never match 100% of what happens in practice (Claveria & Torra,2014). There will always be distances and deviations between actual and predicted values, but the use of scientific and modern methods of forecasting will cause the results to reach far more than an objective estimate to the truth (Shen & Song,2011). In recent years, with the changing pattern of holidays and the formation of short-term holidays, cities have found the opportunity for tourism development. Materials and Methods One 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 VFR tourism. A definition was proposed by Backer (2003: 4); ‘VFR Tourism is a form of tourism involving a visit whereby either (or both) the purpose of the trip or the type of accommodation involves visiting friends and/ or relatives.’ This definition encompasses all VFR typologies and was put forward as a model (Backer, 2008b) to aid in explaining VFR typologies. Source: Backer, 2008b As represented in the VFR Travel Definitional Model (table 1), VFRs can fall into a number of distinct groups. The category in the top left hand box depicts what could be considered to be the “pure” VFR, whose purpose is to visit their friends and or relatives and also stays with them. The lower left hand box depicts a less pure form of VFR traveler, who is staying with friends and relatives, but whose purpose of visit may be unrelated to VFR. This issue that VFR travelers can have a non-VFR purpose of visit when staying with friends or relatives has been discussed in previous research (Backer, 2003; Seaton & Palmer, 1997). Discussion and Results For this purpose, the present study seeks to propose models for forecasting effective variables on forecasting domestic business tourism demand in Tehran. To do this, information was used between the years 2001 to 2015. Independent variable of this study is the number of domestic VFR tourists in Tehran, 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. Conclusion The results of this research show that the proposed hybrid approach of regression and Adaptive Neuro-Fuzzy Inference System (ANFIS) can have better prediction than other methods for forecasting domestic VFR tourism. Table2: Test results of different methods on the demand of domestic VFR tourism in Tehran (evaluation data) VFR Tourism MSE RMSE NMSE R2 MAE MAPE regression 0.001785 0.042249 0.025412 0.974588 0.000493 0.049325 fuzzy neural network 0.001395 0.037349 0.019856 0.980144 0.000436 0.043579 SVR algorithm 0.061316 0.247621 0.872842 0.127158 0.002746 0.274595 hybrid approach of regression and SVR algorithm 1.24E-05 0.003521 0.000177 0.999823 3.28E-05 0.00328 hybrid approach of regression and Adaptive Neuro Fuzzy Inference System (ANFIS) 8.74E-06 0.002956 0.000124 0.999876 2.78E-05 0.002779 Keywords: regression, adaptive neuro-fuzzy inference system (ANFIS), Support Vector Regression (SVR) Algorithm, VFR tourism, forecasting of domestic VFR tourism demand, Tehran. References: Backer, E. (2003). VFR tourism – the forgotten tourism phenomenon. Issues and Developments in Tourism Futures. In H. Richins (ed.) Proceedings from the Second National Conference on Tourism Futures Sustainable Growth, Strategic Alliances and Positive Futures in Challenging Times 2003,pp 1-12. Backer, E. (2008b). Opportunities for Commercial Accommodation in VFR. International Journal of Tourism Research (under review). Claveria, O. and Torra, A. (2014), Forecasting Tourism Demand to Catalonia: Neural Networks vs. Time Series Models, Economic Modeling, 36, pp. 220-228. Inskeep.E,(2004).Tourism planning is an integrated and sustainable approach to tourism planning and development.translated by: Mahmood Hasanpoor and Saeid Daghestani. Tehran: Mahkameh. Shen, S., Li, G., & Song, H. (2011). Combination forecasts of international tourism demand. Annals of Tourism Research, No.38:72–89 Seaton, A., Palmer, C. (1997). Understanding VFR Tourism behaviour: the first five years of the United Kingdom tourism survey. Journal of Tourism Management, 18 (6)pp345-355. | ||
| کلیدواژه‌ها [English] | ||
| regression, adaptive neuro-fuzzy inference system (ANFIS), Support Vector Regression (SVR) Algorithm, VFR tourism, forecasting of domestic VFR tourism demand, Tehran | ||
| مراجع | ||
10. غلامی پور، لیلا.(1390)، تخ می‌ن تابع تقاضای گردشگری در استانهای منتخب، استاد راهنما هوشنگ مؤمنی وصالیان، پایان‌نامه کارشناسی ارشد، دانشگاه آزاد اسلامی واحد تهران مرکز. 11. فرجیزاده، عبدالرضا، آقاجانی، سعید(1388)، تحلیلی نو پیرامون گردشگری و جدیدترین طبقه‌بندی آن، فصلنامهجغرافیاییسرزمین،علمی – تحقیقی، سال ششم، شماره23، صص 61-72. 12. فهیمی فرد، محمد، سالار پور، ماشالله، صبوحی، محمود.(1390)، مقایسه توان پیشبینی مدل عصبی- فازی با مدل شبکه عصبی و خود رگرسیونی ARIMA، مطالعه موردی قیمت هفتگی تخم‌مرغ، فصلنامه اقتصاد کشاورزی و توسعه، سال 19، شماره 74 صص 138-145. 13. کاوهئیان، نسترن.(1381)، برآورد تابع تقاضای گردشگری بین‌المللی ایران طی سالهای 75-1350.پایان‌نامه کارشناسی ارشد، دانشگاه شهید بهشتی، دانشکده علوم اقتصادی و سیاسی. 14. منهاج؛ محمدباقر؛ کاظمی، عالیه؛ شکوری گنجوی، حامد؛ مهرگان، محمدرضا و تقیزاده، محمد.(1389). پیشبینی تقاضای انرژی‌بخش حمل‌ونقل با استفاده از شبکههای عصبی:مطالعۀ موردی در ایران، مجلهمدرسعلومانسانی، دوره چهاردهم، شماره 2.صص -202-217. 15. موسایی، میثم.(1383)، تخمین تابع تقاضای توریسم به ایران. فصلنامه تحقیقنامه بازرگانی، دوره8، شماره 23، صص 225 -244. 16. نوری، مهناز.(1375)، برآورد تابع تقاضای گردشگری در ایران 72-1348. پایان‌نامه کارشناسی ارشد، دانشگاه الزهرا، دانشکده علوم اقتصادی و اجتماعی. | ||
|
آمار تعداد مشاهده مقاله: 2,886 تعداد دریافت فایل اصل مقاله: 928 |
||