چکیده:
صنعت گردشگری به عنوان یک صنعت پاک و اشتغالزا، در سالهای اخیر جزء درآمدزاترین صنایع جهان بوده و همواره مورد توجه سیاستها و برنامههای توسعه گرانه میباشد. دولتها و بخشهای خصوصی در سطوح کلان تا خرد جهت توسعه و بقاء در بخش گردشگری نیازمند پیشبینی تقاضا در این بخش میباشند. هر چند که اکثر مطالعات انجام گرفته جهت پیشبینی تقاضا در گردشگری از روشهای کمی استفاده کردهاند ولی رویکردها و روشهای کمی و کیفی گوناگونی برای این امر پیشنهاد و استفاده شدهاند. در مطالعات پیشین به ویژه با توجه به معرفی نسبتا جدید رویکردهای شبکههای عصبی و شبکههای عصبی فازی، روشهای هوش مصنوعی، کمتر در پیشبینی در بخش گردشگری مورد استفاده قرار گرفته اند.مطالعه حاضر قصد دارد میزان تقاضای گردشگری ورودی به ایران را از طریق مدل پیشنهادی شبکههای عصبی فازی پیشبینی کند و صحت و دقت عملکرد این روش را با روش ARIMA مقایسه کند. این مطالعه پس از تعیین و اولویت بندی مهمترین عوامل تاثیرگذار بر تابع تقاضای گردشگری ورودی به ایران و تعیین معماری شبکههای عصبی فازی به این نتیجه دست یافت که در تمامی معیارهای ارزیابی عملکرد پیشبینی، روش مدل شبکههای عصبی فازی بر ARIMA برتری دارد.
Tourism، as a clean and high employment generating industry، has been amongst the world’s top income generating industries and received a great deal of attention during the recent decades by development policies and programs.Needless to say، governments and private sectors in at macro and micro levels need to forecast the demand in tourism to survive and develop. Various quantitative and qualitative methods have been suggested in forecasting tourism demand in the literature so far، most of them focusing on quantitative methods، but with the quite recent advent of artificial neural networks and fuzzy neural networks methods، few studies have employed artificial intelligence methods in tourism demand modeling and forecasting.This study intends to forecast Iran’s inbound tourism demand using a suggestive model of fuzzy neural networks and compare its accuracy with ARIMA method. After identification and prioritization of the most significant determinants of Iran’s tourism demand function، and identification of the architecture for the fuzzy neural networks model، the study concludes that thismethod excels over ARIMA in all theperformance forecasting assessment criteria.
خلاصه ماشینی:
"در تحقیقات پیشین انجام گرفته در ایران بیشترین مدل های استفاده شده از روش های اقتصادسنجی (نوری ، ١٣٧٥؛ موسایی ، ١٣٧٩؛ کاوه ئیان ، ١٣٨١؛ رسولی ، ١٣٨١؛ خسرو آبادی ، ١٣٨٥؛ الیاس پور، ١٣٨٥؛ صفایی ، ١٣٨٦؛) و اندکی نیز از روش های کلاسیک شامل روش های باکس جنکینز یا ARIMA، تحلیل روند و روش های هموارسازی نمایی (حبیبی ، ١٣٨١؛ عبدی آلادزگه ، ١٣٨٢) جهت پیش بینی گردشگری ورودی به ایران استفاده کرده اند و از نوع تحلیل های واریانس -اتوکوواریانس و همبستگی و به طور کلی تحلیل های علی بوده اند.
هدف مطالعه عبدی ارایه روش هایی نو همچون مدل شبکه های عصبی مصنوعی و رگرسیون فازی برای پیش بینی تقاضای گردشگری خارجی ایران و مقایسه این روش ها با مدل سری زمانی خود رگرسیون میانگین متحرک انباشته بود.
در این فصل ، ابتدا فهرست تعیین گرهای ممکن تقاضای گردشگری به ایران انتخاب می شوند و سپس داده های سالانه آن ها در بازه زمانی بیست و پنج ساله از سال ١٣٦٤ تا ١٣٨٨ به صورت سری زمانی سالانه ، برای پیش بینی تعداد گردشگران ورودی به ایران از منابع مختلف آماری معتبر گردآوری شده و پس از چندین مرحله فیلترینگ ، تعیین گرهای نهایی به مدل اصلی وارد شده و از طریق روش رگرسیون ، روش شبکه های عصبی و نهایتا روش شبکه های عصبی فازی پیش بینی انجام می شود و مقادیر مرتبط با معیارهای اندازه گیری عملکرد و خطای هر یک از روش ها به دنبال می آید."