پیش‌بینی تقاضای گردشگری فرهنگی شهر تهران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار گروه مدیریت گردشگری و هتلداری دانشگاه آزاد اسلامی واحد تهران غرب، تهران

2 عضو هیات علمی جهاد دانشگاهی و رییس مرکز گردشگری علمی-فرهنگی دانشجویان ایران (نویسنده مسئول)

چکیده

یکی از مهم‌ترین رویدادها در صنعت گردشگری هر کشور میزان تقاضا برای یک محصول یا مقصد گردشگری است، اما باید توجه داشت که پیش‌بینی‌ها هرگز نمی‌توانند کاملاً با آنچه در عمل پیش خواهد آمد تطابق داشته باشند. همیشه فواصل و انحرافاتی بین مقادیر واقعی و پیش‌بینی وجود خواهد داشت، اما استفاده از روش‌های علمی و نوین در امر پیش‌بینی باعث خواهد شد که نتایج به‌مراتب بیش از یک تخمین عینی به حقیقت نزدیک شود. در سال‌های اخیر با تغییر الگوی تعطیلات و شکل‌گیری تعطیلات کوتاه‌مدت، شهرها فرصتی برای توسعۀ گردشگری پیدا کردند. یکی از مهم‌ترین انواع گردشگری داخلی شهر تهران، بر اساس گزارش مرکز ملی آمار و دیدگاه‌های صاحب‌نظران این حوزه، گردشگری فرهنگی است. ازاین‌رو، پژوهش پیش رو سعی دارد مدل‌هایی را برای پیش‌بینی تقاضای گردشگری فرهنگی داخلی شهر تهران پیشنهاد کند. برای این کار از اطلاعات ماهیانۀ سال‌های 1381 ـ 1398 استفاده شده است. متغیر مستقل این پژوهش تعداد گردشگران فرهنگی داخلی شهر تهران است و متغیرهای وابسته نیز بر اساس تکنیک دلفی و دیماتل فازی انتخاب شدند. چارچوب مدل ترکیبی از رگرسیون، شبکۀ عصبی فازی و الگوریتمSVR  است که با ترکیب این روش‌ها می‌توان خطای پیش‌بینی را اندازه‌گیری کرد و روش‌ها را با هم مقایسه کرد. نتایج این پژوهش نشان می‌دهد رویکرد ترکیبی رگرسیون و الگوریتم SVR پیشنهادی می‌تواند پیش‌بینی بهتری نسبت به سایر روش‌ها در خصوص گردشگری فرهنگی داخلی داشته باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Hybrid Modeling for Forecasting of Domestic Cultural Tourism Demand in Tehran

نویسندگان [English]

  • ebtehal zandi 1
  • Rahim Yaghoub zadeh 2
1 Faculty member of Tourism Management and Hotel Management Department of Islamic Azad University, West Tehran branch, Tehran, Iran
2 Faculty member of University Jihad and director of the Iranian Students' Scientific-Cultural Tourism Center(Corresponding Author)
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. 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 cultural tourism. For this purpose, the present study seeks to propose models for forecasting effective variables on forecasting domestic cultural tourism demand in Tehran. To do this, data from years 2002 to 2019 were used and analyzed. Independent variable of this study is the number of domestic business 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. 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 Business tourism.

کلیدواژه‌ها [English]

  • Regression
  • Adaptive Neuro-Fuzzy Inference System (ANFIS)
  • Support Vector Regression (SVR) Algorithm
  • Cultural Tourism
  • Forecasting of tourism demand
  • Tehran
منابع و مأخذ
اسلامی کولایی، سعید و نادر حساسی (1395). پیش‌بینی تقاضای گردشگری به ایران با رویکرد شبکههای عصبی فازی، چهارمین کنفرانس ملی کارآفرینی و مدیریت کسب‌وکارهای دانش‌بنیان.
اکبرپور، تقی (1390). پیش­بینی تقاضای گردشگری ورودی ایران (رویکرد شبکه­های عصبی ـ فازی). پایان‌نامه کارشناسی ارشد، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی.
الیاس‌پور، بهنام و مهدی نصرالله (1385). برآورد تابع تقاضای گردشگری خارجی در ایران. پایان‎نامه کارشناسی ‎ارشد، دانشکده علوم اقتصادی و سیاسی، دانشگاه شهید بهشتی.
اینسکیپ، ادوارد (1392). برنامهریزی گردشگری رویکردی یکپارچه و پایدار به برنامهریزی و توسعه گردشگری. ترجمه محمود حسن‌پور و سعید داغستانی. تهران: مهکامه.
خسروآبادی، محمد (1385). تخمین تابع تقاضای گردشگری خارجی ایران طی دوره 1383-1344 و ارائه استراتژیهای گسترش صنعت گردشگری ایران (با استفاده از استراتژیهای توسعه گردشگری در مالزی، سنگاپور و مصر). پایان‌نامه کارشناسی ‎ارشد، دانشکده صنایع و سیستم‎ها، دانشگاه صنعتی اصفهان.
خوشنویس یزدی، سهیلا و مریم غمایی (1394). «برآورد تابع تقاضای گردشگری ایران». فصلنامه پژوهشنامه اقتصاد و کسبوکار، شماره 12: 1ـ12.
رسولی، اسماعیل (1381). تخمین تابع تقاضای گردشگری ورودی به ایران. پایان‎نامه کارشناسی ‎ارشد، دانشکده اقتصاد، دانشگاه علامه طباطبایی.
زارع اشکذری، سید محمد، محسن سقایی، میر نجف موسوی و رضا مختاری ملک آبادی (1394). «عوامل مؤثر بر توسعه گردشگری فرهنگی با رویکرد جذب گردشگران خارجی در ایران مرکزی، مورد مطالعه: شهر یزد». فصلنامه جغرافیا و آمایش شهری ـ منطقهای، شماره 17: 208ـ189.  
 
صفایی، شهاب‌الدین (1386). برآورد تابع تقاضای گردشگری ایران با استفاده از داده‌های سالهای ۱۳۸۴- ۱۳۵۹. پایان‎نامه کارشناسی ‎ارشد، دانشکده علوم اجتماعی، گروه اقتصاد، دانشگاه رازی.
عبدی آلادزگه، ابراهیم (1382). پیش‌بینی تقاضای گردشگری خارجی با استفاده از شبکه عصبی و رگرسیون فازی. پایان‌نامه کارشناسی‎ ارشد، دانشکده صنایع و سیستم‎ها، دانشگاه صنعتی اصفهان.
غلامی‌پور، لیلا (1390). تخمین تابع تقاضای گردشگری در استانهای منتخب. پایان‌نامه کارشناسی ارشد، دانشکده مدیریت، دانشگاه آزاد اسلامی واحد تهران مرکز.
فهیمی فرد، محمد، ماشالله سالارپور و محمود صبوحی (1390). «مقایسه توان پیش‌بینی مدل عصبی ـ فازی با مدل شبکه عصبی و خود رگرسیونی ARIMA، مطالعه موردی قیمت هفتگی تخم‌مرغ». فصلنامه اقتصاد کشاورزی و توسعه، شماره 74: 145ـ138.
کاوه‎ئیان، نسترن (1381). برآورد تابع تقاضای گردشگری بین‌المللی ایران طی سالهای 75-1350. پایان‎نامه کارشناسی ‎ارشد، دانشکده علوم اقتصادی و سیاسی، دانشگاه شهید بهشتی.
 
منهاج، محمدباقر، عالیه کاظمی، حامد شکوری گنجوی، محمدرضا مهرگان و محمدرضا تقی‌زاده (1389). «پیش‌بینی تقاضای انرژی بخش حمل‌ونقل با استفاده از شبکه‌های عصبی: مطالعۀ موردی در ایران». فصلنامه مدرس علوم انسانی، شماره 2: 220ـ203.
موسایی، میثم (1383). «تخمین تابع تقاضای توریسم به ایران». فصلنامه تحقیقنامه بازرگانی، شماره 23: 244ـ225.
نوری، مهناز (1375). برآورد تابع تقاضای گردشگری در ایران 72-1348. پایان‎نامه کارشناسی ‎ارشد، دانشکده علوم اقتصادی و اجتماعی، دانشگاه الزهرا.
Arbel, A. & Revid, A. (2001). ‘On recreation demand: A time series approach’. Journal of Applied Economics, 22(3/4),7-20.
Athanasopoulos, G., & Hyndman, R. J. (2008). ‘Modelling and forecasting Australian domestic tourism’. Tourism Management29(1), 19-31.
 
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(3), 511-520.
Chen, K. Y. (2011). ‘Combining linear and nonlinear model in forecasting tourism demand’. Expert Systems with Applications38(8), 10368-10376.
Chen, K. Y. & Wang, C.H. (2007). ‘Support vector regression with genetic algorithms in forecasting tourism demand’. Tourism Management, 28, 215-216.
Cheng, C.H. & Lin, Y. (2002). ‘Evaluating the best main battle tank using fuzzy decision theory with linguistic criteria evaluation European’. Journal of Operational Research, 142, 147-186.
Cho, V. (2003). ‘A comparison of three different approaches to tourist arrival forecasting’. Tourism Management, 24, 323-330.
Claveria, O. & Torra, A. (2014). ‘Forecasting Tourism Demand to Catalonia: Neural Networks vs’. Time Series Models, Economic Modeling, 36, 220-228.
Diamond, J. (2000). Tourism role in economics development, the case Re-examines economic development.
Hamal, K. (2007). ‘Modeling domestic holiday tourism demand in Australia: problems and solutions’. Asia Pacific Journal of Tourism Research, 1(2), 35-46.
Jaume, R. & Aon, W. (2015). ‘The Use of Tourism Demand Models in the Estimation of the Impact of Climate Change on Tourism’. Revista Turismo em Análise26(1), 4-20.
 
Jiao, E. X., & Chen, J. L. (2018). ‘Tourism forecasting: A review of methodological developments over the last decade’. Tourism Economics25(3), 469-492.
Köberl, J., Prettenthaler, F., & Bird, D. N. (2016). Modelling climate change impacts on tourism demand: A comparative study from Sardinia (Italy) and Cap Bon (Tunisia). Science of the Total Environment543, 1039-1053.
Law, R. & Au, N. (1999). ‘A Neural network model to forecast Japanese demand for travel to Hong Kong’. Tourism Management, 20, 89-97.
Li, G. & Jiao, X. (2020). Tourism forecasting research: a perspective paper, Tourism Review. University of Surrey, Guildford, UK.
Makridakis, S. & Hibon, M.  (2000).  ‘The M3-competition: Results, conclusions and implications’.  International Journal of Forecasting, 16, 451–476.
Massidda, C. & Etzo, I. (2012). ‘The Determinants of Italian Domestic Tourism: A Panel Data Analysis’. Journal of Tourism Management, 33(3), 415-423.
McKercher, B. & du Cros, H. (2002). Cultural Tourism: The Partnership between Tourism and Cultural Heritage Management. Hayworth Hospitality Press, New York.
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, M. & Sese, A. (2006). ‘Designing an artificial neural network for forecasting tourism time series’. Tourism Management, 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, 11, 189–213.
Raj, R. (2012). Contemporary cultural issues and policies for the region, Palermo Business Review 6 Special Issue, Facultad de Ciencias Económicas, Universidad de Palermo, Buenos Aires, Argentina. Retrieved from: http://www.palermo.edu
Rapoport, A. (1992). House Form and Culture. Prentice-Hall, New Jersey.
Romilly, P., Liu, X. & Song, H. (2009). ‘Economic and social determinant of international Tourism spending: A panel data analysis’. Tourism analysis3(1), 3-16.
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, 38, 5166-5177.
Shen, S., Li, G., & Song, H. (2011). ‘Combination forecasts of international tourism demand’. Annals of Tourism Research, 38, 72–89.
Smola, J. (1998). Learning with Kernels. PhD thesis, Technische Universit¨ at Berlin. GMD Research Series No. 25.
Song, H., & Turner, L. (2006). ‘Tourism demand forecasting’. In L. Dwyer, & P. Forsyth (Eds.), International handbook on the economics of tourism. Cheltenham: Edward Elgar.
Song, H., Qiu, R. T., & Park, J. (2019). ‘A review of research on tourism demand forecasting’. Annals of Tourism Research, 75, 338-362.
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’. Current Issues in Tourism19(7), 618-623.
Weng, G., & Li, L. (2015). ‘Study of Tourism Forecasting Based on a Seasonally Adjusted Particle Swarm Optimization-Support Vector Regression Model’. Journal of Information & Computational Science, 12(7), 2747-2757.
Xiao, H., & Li, L. (2004). Villagers' perceptions of traditions: some observations on the development of rural cultural tourism in China. Tourism Recreation Research29(2), 69-80.
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, 40, 193–202.
Yepremian, G. (2005). ‘Forecasting Tourism Demand in Japon’. International Journal of Forecasting, 12, 447-475.