پیش‌بینی جریان گردشگری ایران براساس مدل خاکستری بهبودیافته (GM(1,1

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار گروه اقتصاد دانشگاه شهید چمران اهواز

2 دانشجوی دکتری اقتصاد دانشگاه شهید چمران اهواز

چکیده

امروزه گردشگری و توریسم به‌عنوان یکی از مهم‌ترین مؤلفه‌ها و شاخص‌های توسعه محسوب می‌شود به‌طوری‌که اکثر کشورها سرمایه‌گذاری ویژه‌ای در این بخش انجام می‌دهند. کشور ایران نیز با توجه به وضعیت اقلیمی و تاریخی و طبیعی، زمینه بالقوه مناسبی برای رشد تقاضای توریسم خارجی دارد. ازجمله ضرورت‌های برنامه‌ریزی در راستای بهبود شرایط و درآمدزایی از توریسم خارجی، پیش‌بینی تقاضای توریسم خارجی در سال‌های آینده است. در این مقاله با استفاده از مدل خاکستری بهبودیافته GM(1,1) سعی شده است، پیش‌بینی مناسبی از تقاضای گردشگری خارجی در آینده برای کشور ایران انجام شود. از ویژگی ممتاز مدل خاکستری بهبودیافته GM(1,1) این است که با داده‌های اندک، قادر به پیش‌بینی با خطای پایینی است. نتایج پژوهش نشان می‌دهد که تقاضای توریسم روندی افزایشی دارد و تا سال 2022 میزان تقاضای توریسم خارجی به حدود 15.2 میلیون نفر در سال خواهد رسید. همچنین مقایسه نتایج مدل GM(1,1) با روشARIMA  بیانگر خطای کمتر مدل GM(1,1) در پیش‌بینی تعداد گردشگران خارجی است.

کلیدواژه‌ها


عنوان مقاله [English]

Forecasting of Iran tourism flow using the Improved Gray Model, GM (1, 1)

نویسندگان [English]

  • abdolmajid ahanghari 1
  • nasim ghobashi 2
چکیده [English]

The global tourism industry, which has invested in many countries for its profits, can be a substitute for countries exporting raw materials. This industry can have various developmental effects, such as currency earnings, re-distribution of income, job creation and economic prosperity and since it is closely related to other industries such as hoteliers, transportation, travel agencies, craftsmen, and restaurateurs. Today tourism is considered as one of the most important components and development indicators, as most countries make special investments in this sector. Due to its historical and natural status, Iran has a good basis for foreign tourism expansion. Issues that will help government officials and planners to maximize their productivity and profitability from foreign tourism is predicting tourist demand for years to come. In this regard, this paper, using the improved Gray Model GM (1, 1), seeks to provide a good prediction of the future tourist demand for Iran. The privileged feature of the GM's (1, 1) improved gray model is that it can be predicted with a very low number of data and in addition has a very low error. The results of the research show that tourism demand is increasing and by 2022 the demand for foreign tourism will reach 17.5 million per year. Also, comparing the results of GM (1, 1) model with ARIMA method indicates a lower error of GM (1, 1) model in predicting the number of foreign tourists. Considering the importance of predicting the tourism demand in planning and the characteristics of the GM model (1, 1) it will be useful, carrying out separate researches on the demand of foreign tourists from different countries. Since tourists in different regions have different cultures and desires, separate studies can be useful in more accurate planning.

کلیدواژه‌ها [English]

  • Tourism Prediction
  • Tourism
  • Improved Grey Model
  • GM model
اربابیان، شیرین رفعت، بتول و اشرافیان‌پور، مریم. (1392). «بررسی رابطه توریسم و رشد اقتصادی (مطالعه موردی: کشورهای منتخب عضو سازمان کنفرانس اسلامی)». پژوهش‌های رشد و توسعه اقتصادی، 4(13)، 97-116.
داس‌ویل، راجر. (1384). مدیریت جهانگردی؛ مبانی، راهبردها و آثار، ترجمه اعرابی، تهران: دفتر پژوهش‌های فرهنگی، چاپ سوم.
رسولی، اسماعیل. (1381). تخمین تابع تقاضای جهانگرد ورودی به ایران، پایان‌نامه کارشناسی ارشد، دانشکده اقتصاد، دانشگاه علامه طباطبائی.
زیرک ‌باش، دیبا؛ زنگی‌آبادی، علی و محمدی، جمال. (1385). «تحلیل بازار گردشگری داخلی شهر اصفهان»، جغرافیا و توسعه، 4(8)، 153-131.
صیامی، علی؛ زمانی، اکبر و تلارومی، ژاله. (۱۳۸۹). تخمین تابع تقاضای توریسم در ایران. همایش منطقه‌ای توریسم و توسعه، یاسوج، دانشگاه آزاد اسلامی واحد یاسوج.
فرجی، سبکبار و همکاران. (1393). «پیش‌بینی ماهانه تقاضای گردشگر برای مجموعه تاریخی تخت جمشید». پژوهش‌های جغرافیای انسانی، 46(1)، 84-69.
فرزین، محمدرضا؛ افسر، امیر؛ اکبرپور، تقی و اکبرپور، علی. (1392). «مدل‌سازی پیش‌بینی گردشگری ورودی به ایران با استفاده از روش‌های ARIMA و شبکه‌های عصبی فازی»، مطالعات مدیریت گردشگری، 8(24)، 1-33.
قهرمان­زاده، محمد؛ محمودی، هاشم و جاودان، ابراهیم. (1392). «پیش‌بینی تقاضای فصلی توریسم در ایران (کاربرد الگوها سری زمانی فصلی)»، برنامه‌ریزی و توسعه گردشگری، 2(7)، 66-81.
کاظمی، عالیه؛ مدرس، محمد؛ مهرگان، محمدرضا و فروفی اصل، امیر. (1389). «پیش‌بینی تقاضای انرژی بخش حمل‌ونقل با استفاده از مدل زنجیره مارکوف خاکستری»، مدیریت صنعتی، 3(7)، 117-132
محمدزاده، پرویز؛ بهبودی، داود؛ فشاری، مجید و ممی­پور، سیاب. (1389). «تخمین تابع تقاضای خارجی کل گردشگری ایران (رهیافت TVP)»، پژوهش‌های رشد و توسعه اقتصادی، 1(1)، 131-107
مراسلی، عزیز. (1374). تخمین توابع عرضه و تقاضای توریسم خارجی در ایران، پایان‌نامه کارشناسی ارشد، دانشکده اقتصاد، دانشگاه تربیت مدرس.
نوری، مهناز. (1375). برآورد تابع تقاضای گردشگری در ایران 1372-1348، پایان‌نامه کارشناسی ارشد. دانشکده علوم اقتصادی و اجتماعی دانشگاه تهران.
یعقوب‌زاده، رحیم؛ شفاعتی، اسماعیل و حاتمی، علیرضا. (1383). تحلیل رشد رقابت‌پذیری اقتصاد گردشگری در ایران و پیش‌بینی آن تا سال 1400، اولین همایش بین‌المللی علمی- راهبردی توسعه گردشگری جمهوری اسلامی ایران.
Abraham, B. & Ledolter, J. (1983). Statistical Methods for Forecasting, John Wiley & Sons, New York.
Armstrong, J. S. (2001). Principles of forecasting: a handbook for researchers and practitioners (Vol. 30): Springer Science & Business Media
Brida, J. G. & Risso, W.A. (2009). “A Dynamic Panel Data Study of the German Demand for Tourism in South Tyrol”. School of Economics and Management - Free University of Bolzano, 1-11.
Brown, L. (1993). The New Shorter Oxford English Dictionary on Historical Principles, Oxford University.
Chen, M. S., Ying, L. C. and Pan, M. C. (2010). “Forecasting tourist arrivals by using the adaptive network-based fuzzy inference system”. Expert Systems with Applications, 37(2), 1185-1191.
Deng, J. L. (1989). “Introduction to grey system theory”. Journal of Grey system, 1(1), 1-24.
Douglas, C. F. (2001). “Forecasting Tourism Demand: Methods and Strategies, Linacre House”. Jordan Hill, 4(2), 72-90.
Duan, L. Z., He, M., He, B. H. & Zhang, L. L. (2011). Competition between Road and Railway of Tour and Public Transportation Corridors.
Ellram, L. M. (1991). Supply Chain Management: The Industrial Organization Perspective, International.
Gounopoulos, D., Petmezas, D. and Santamaria, D. (2012). “Forecasting tourist arrivals in Greece and the impact of macroeconomic shocks from the countries of tourists”. Origin, Annals of Tourism Research, 39(2), 641-666.
Hodrick, R. J. Prescott, E. C. (1997). “Postwar US business cycles: an empirical investigation”. Journal of Physical Distribution and Logistics Management, 21(1), 13-22.
Kayacan, E., Ulutas, B. & Kayanak, O. (2010). “Grey system theory-based models in time series prediction”. Expert Systems with Applications, 36, 1784-1789
Kim, H., Wong, K., Athanasopoulos, G., Liud, S. (2011). “Beyond Point Forecasting: Evaluation of Alternative Prediction Intervals for Tourist Trivals”. International Journal of Forecasting, 27(3), 887-901.
Liu, S. F., Dang, Y. G. & Fang, Z.G. (2004). “Grey system Theory and its application. Third ed”. Science press, Beijing, 3, 28-36.
Liu, S. F., Dang, Y. G. (2014). Grey system theory and its applications. 7th ed. Beijing: Science Press.
Porter, M. E. & Stern, S. (2001). “Innovation: Location Matters”. MIT Sloan Management Review 42.
Shang-Lingou (2012). “Forecasting agricultural output with an improved grey forecasting model based on the genetic algorithm”. Computers and Electronics in agriculture, 85, 33-39.
Sifenglin, Y. (2006). Grey Information Theory and Practical Applications. Springrer-Verlag London Limited.
Weijun, Xu., Ren, Gu. (2015). “Forecasting energy consumption using a new GM–ARMA model based on HP filter: The case of Guangdong Province of China”. Economic Modelling, 45, 127-135.
World Tourism Organization. Report of year 2015.
Wu, Q., Law, R., Xu, X. (2012). “A Sparse Gaussian Process Regression Model for Tourism Demand Forecasting in Hong Kon”. An International Journal of Expert Systems with Application, 29(5), 4769-4774.