Abstract:
پیشبینی جریان آینده‌ی گردشگری ورودی برای تعیین مخارج سرمایه‌گذاری در صنعت گردشگری، هم برای بخش دولتی و هم برای بخش خصوصی، ضروری است. برای بخش دولتی و عمومی تخمین تقاضای گردشگری به‌منظور استفاده‌ی کارا از صنعت حمل‌ونقل و برنامه‌ریزی در نحوه‌ی تخصیص منابع حیاتی است. همچنین پیشبینی صحیح میتواند برای بخش خصوصی مانند شرکت‌های حمل‌ونقل هوایی در برنامه‌ریزی و طرح‌ریزی خطوط هوایی، تجهیزات، امکانات رفاهی و برنامه‌ریزی برای منابع انسانی مفید باشد. علی‌رغم اهمیت این موضوع در حوزه‌ی گردشگری، مطالعات انجام‌شده‌ی کشور ما در این حوزه بسیار محدود است. از سوی دیگر، ازآنجایی‌که اثبات شده است مدل تک‌متغیره روش بسیار موفقیتآمیزی برای پیشبینی سری زمانی گردشگری است، در این مطالعه با استفاده از داده‌های ماهانه‌ی گمرک جمهوری اسلامی ایران در فاصله‌ی فروردین 1378 تا اسفند 1390، مدل‌های تک‌متغیره‌ی ARFIMA، روش هوشمند ANN و مدل ARFIMA-ANN را که آلاداگو همکاران در سال 2012 پیشنهاد کرده‌اند، برای سری زمانی گردشگری کشور برآورد کردیم و نتایج حاصل از پیشبینی آن‌ها را با یکدیگر مقایسه نموده‌ایم. استفاده از معیارهای RMSE,MAPE,MAE برای ارزیابی صحت پیشبینی افقهای زمانی متفاوت در میان مدل‌های مذکور نشان می‌دهد که مدل ARFIMA-ANN در افقهای زمانی 6،12، 18 و 24 ماه پیش رو توان بالاتری در پیشبینی نسبت به مدل‌های رقیب دارد و میتواند به‌عنوان مدلی مناسب برای برآورد و پیشبینی سری زمانی گردشگری کشور مورد استفاده قرار گیرد.
Machine summary:
نتایج پژوهش وی نشان داد که مدل ARFIMA توان بالاتری در پیش بینی سری زمانی گردشگر ورودی کشور سنگاپور نسبت به مدل رقیب دارد (چو، ٨٨:٢٠٠٨-٧٩) این نتیجه به وسیله ی مطالعات مشابه گیل -الانا٩ (٢٠٠٥) برای پیش بینی سری زمانی گردشگری 1 Naïve method 2 Burger 3 Çuhadar 4 Loganathan 5 Chu 6 Kuan-YuChen 7 Granger and Joyeux 8 Chu 9 Gil-Alana کشور آمریکا نیز تکرار شده است .
از دیگر مطالعات میتوان به مطالعه ی مراسلی (١٣٧٤) و نوری (١٣٧٥) اشاره کرد؛ اما از آن جایی که در چند سال اخیر برخی از محققین نشان داده اند که در ارتباط با سری زمانی گردشگری مدل های مبتنی بر سری زمانی خالص نسبت به مدل های دارای متغیر توضیحی عملکرد بهتری در پیش بینی دارند (آثاناسوپولوس و همکاران ،٨٢٢:٢٠١١) و هم چنین از سوی دیگر اثبات شده 1 Kuan-YuChen 2 Tseng 3 Zhang 4 Hwang and Day است که مدل سازی سری زمانی تک متغیره روش بسیار موفقیت آمیزی برای پیش بینی سری زمانی گردشگری میباشد (سایمن ١ و سایمن ،٢٠١٠:٢٨١)، بنابراین ، در این مطالعه از روش های تک متغیره ی ARFIMA و روش هوشمند ANN و مدل ترکیبی ARFIMA-ANN برای پیش بینی سری زمانی گردشگری کشور در افق های زمانی متفاوت استفاده شده است .
(
, 
, 
)
