پیوندهای مفید
آمار
| تعداد نشریات | 30 |
| تعداد شماره‌ها | 467 |
| تعداد مقالات | 4,519 |
| تعداد مشاهده مقاله | 7,144,838 |
| تعداد دریافت فایل اصل مقاله | 5,334,658 |
پیش بینی تقاضای فصلی توریسم در ایران (کاربرد الگوهای سری زمانی فصلی) | ||
| برنامه ریزی و توسعه گردشگری | ||
| مقاله 4، دوره 2، شماره 7، اسفند 1392، صفحه 66-81 اصل مقاله (260.64 K) | ||
| نوع مقاله: علمی-پژوهشی | ||
| نویسندگان | ||
| محمد قهرمان زاده* ؛ هاشم محمودی؛ ابراهیم جاودان | ||
| دانشگاه تبریز | ||
| تاریخ دریافت: 30 بهمن 1391، تاریخ بازنگری: 13 بهمن 1392، تاریخ پذیرش: 30 بهمن 1392 | ||
| چکیده | ||
| چکیده توریسم نقش مهمی در اشتغالزایی و ایجاد درآمد در کشورها دارد و در دهههای اخیر، رشد قابل توجهی داشته است. بهدلیل جاذبههای فرهنگی و طبیعی، ایران موقعیت منحصربفردی در صنعت توریسم دارد. بنابراین توسعه این صنعت میتواند یک روش مناسب برای بهبود شرایط اقتصادی ایران و کاهش وابستگی آن به نفت باشد. هدف مطالعه حاضر، پیشبینی ورود فصلی گردشگر به ایران است. بدین منظور از رهیافت باکس- جنکینز فصلی ([1]SARIMA) و الگوهای جمعی فصلی مبتنی بر آزمون ریشه واحد فصلی استفاده شده است. دوره زمانی مطالعه 44 فصل از سالهای 90-1380 را شامل میشود. نتایج آزمون ریشه واحد فصلی [2]HEGY نشان داد که سری ورود گردشگر خارجی به ایران دارای ریشه واحد فصلی است. مقایسه‌ی نتایج پیشبینیهای صورت گرفته با الگوهای جمعی فصلی و SARIMA نشان داد که مدل جمعی فصلی از دقت بیشتری نسبت به الگوی رقیب یعنی SARIMA برخوردار است و از اینرو بهعنوان الگوی مناسب جهت تبیین رفتار فصلی جریان ورود تورسیم به ایران انتخاب شد. [1]Seasonal Auto-Regressive Integrated Moving Average Approach [2] Hylleberg, Engle, Granger and Yoo test | ||
| کلیدواژه‌ها | ||
| آزمون ریشه واحد فصلی؛ الگوی جمعی فصلی؛ پیش¬بینی؛ توریسم؛ SARIMA | ||
| عنوان مقاله [English] | ||
| Forecasting Seasonal Demand for Tourism in Iran: Application of Time Series Techniques | ||
| نویسندگان [English] | ||
| Mohammad Ghahremanzadeh؛ Hashem Mahmoudi؛ Ebrahim Javdan | ||
| چکیده [English] | ||
| Introduction Tourism industry plays a major role in creating job opportunities and income generation in all countries and it has grown remarkably in recent decades. Iran has a unique situation in tourism industry due to its amazing ancient monuments and natural attractions. Therefore, developing the tourism industry can be a suitable way to improve Iranian economy and can reduce its dependence on oil income. The purpose of this paper is modeling and forecasting seasonal flows of tourist arrivals into Iran. Moreover the forecasting accuracy of methods is compared. There are different methods that can be used to forecast the economic variables. Today forecasting is regarded as an important instrument for economic policymakers. Materials and Methods In order to deal with seasonality, Autoregressive Integrated Moving Average Approach (ARIMA) processes have been generalized. When modeling time series with systematic seasonal movements, Box and Jenkins recommend the use of Seasonal Autoregressive (SAR) and Seasonal Moving Average (SMA) terms. Therefore, we utilized the Seasonal Autoregressive Integrated Moving Average Approach (SARIMA) and seasonal integration model based on seasonal unit root test. We used Hylleberg et al. HEGY test is used for unit root testing. HEGY developed separate regression based T and F tests for unit roots at various frequencies in the quarterly data. The seasonal data about the number of tourist arrivals to Iran was obtained from the Iranian Cultural Heritage and Tourism Organization. Time scope covers 44 seasons, from 2001 to 2010. Discussion and Results Quarterly series of tourist arrivals shows the periodic behavior. HEGY test results indicate the presence of non-stationary tourist arrivals series. Therefore SARIMA and seasonal integration models are fitted into the data. In order to achieve stationary series, these time series need to be seasonally differentiated. In the next step, SARIMA and seasonal integration models were estimated. ARIMA (1,1,0) (1,1,1)4 model identified as the best model among the SARIMA candidates. Finally, two indicators including RMSE (root mean squared error), MAPE (mean absolute percentage error) were employed in order to measure the performance of models. Conclusion This study has discussed about two kinds of seasonal models including seasonal autoregressive integrated moving average approach (SARIMA) and seasonal integration model. Results of HEGY’s seasonal unit root test demonstrated that seasonality unit root exists in the tourist arrivals to Iran. Furthermore, the comparison of forecasting accuracy revealed that seasonal integration model has high accuracy more than seasonal ARIMA model. Thus, the seasonal integration model was selected as best model to forecast of tourism arrivals to Iran. This result is important to decision makers to evaluate tourism arrivals. | ||
| کلیدواژه‌ها [English] | ||
| Forecasting, Seasonal integration, SARIMA, Seasonal unit root test, Tourism | ||
|
آمار تعداد مشاهده مقاله: 3,828 تعداد دریافت فایل اصل مقاله: 3,965 |
||