SlideShare a Scribd company logo
1 of 20
Download to read offline
‫لطیف‬‫صوفی‬
‫گردشگری‬ ‫مدیریت‬ ‫دکترای‬
‫گردشگری‬ ‫تقاضای‬ ‫سازی‬‫مدل‬
•‫گام‬1:‫متغیرها‬ ‫کردن‬ ‫مشخص‬
𝑄 𝑋 = 𝑓(𝑃𝑋, 𝑌, 𝑁, 𝑃𝑆, 𝑃𝑐, 𝑇, 𝐴, 𝐷𝑈𝑀, … )
•‫گام‬2:‫متغیرها‬ ‫پیرامون‬ ‫ها‬ ‫داده‬ ‫آوری‬ ‫جمع‬ൢ
‫م‬‫قطعی‬
‫زمانی‬ ‫سری‬
‫تابلویی‬
•‫گام‬3:‫تقاضا‬ ‫تابع‬ ‫کردن‬ ‫مشخص‬(‫خطی‬–‫خطی‬ ‫غیر‬)
൝
𝑄 𝑋 = 𝛂0 + 𝜷1 𝑝 𝑋 + 𝜷2 𝑌 + 𝜷3 𝑁 + 𝜷4 𝑃𝑠 + 𝜷5 𝑃𝑐 + 𝜷6 𝑇 + 𝜷7 𝐴 + ⋯ + 𝑒(𝝁)
𝑄 𝑋 = α 𝑝 𝑋
𝛽1 𝑌 𝛽2 𝑁 𝛽3 𝑃𝑆
𝛽4 𝑃𝐶
𝛽5 𝑇 𝛽6 𝐴 𝛽7 … μ
ln𝑄 𝑋 = ln𝛂0 + 𝜷1ln𝑃𝑋 + 𝜷2ln𝑌 + 𝜷3ln𝑁 + 𝜷4ln𝑃𝑠 + 𝜷5ln𝑃𝑐 + 𝜷6ln𝑇 + 𝜷7ln𝐴 + ⋯
+ ln𝑒(𝝁)
‫مثال‬:‫موسایی‬(1383)‫اس‬ ‫زده‬ ‫تخمین‬ ‫را‬ ‫زیر‬ ‫مدل‬ ‫ایران‬ ‫در‬ ‫توریسم‬ ‫تقاضای‬ ‫تابع‬ ‫تخمین‬ ‫عنوان‬ ‫با‬ ‫ای‬ ‫مقاله‬ ‫در‬‫ت‬:
ln𝒀 𝒕 = 𝜶 𝟎 + 𝒂 𝟏ln𝑿 𝟏𝒕 + 𝒂 𝟐ln𝑿 𝟐𝒕 + 𝒂 𝟑ln𝒀 𝒕−𝟏 + 𝒂 𝟒 𝑫𝒖𝒎 + ⋯ + 𝑼 𝒕
‫گردشگری‬ ‫از‬ ‫حاصل‬ ‫درآمد‬(‫دالر‬ ‫به‬)‫وابسته‬ ‫متغیر‬ ،:𝑌𝑡
‫قیمتی‬ ‫متغیر‬ ‫حکم‬ ‫،در‬ ‫جهانی‬ ‫قیمت‬ ‫به‬ ‫داخلی‬ ‫قیمت‬ ‫شاخص‬:𝑋1𝑡
‫جهانی‬ ‫ملی‬ ‫ناخالص‬ ‫تولید‬(‫دالر‬ ‫به‬)‫درآمدی‬ ‫مقیاس‬ ‫متغیر‬ ‫حکم‬ ‫در‬:𝑋2𝑡
‫درآمد‬‫گردشگری‬ ‫از‬ ‫حاصل‬(‫دالر‬ ‫به‬)،‫قبل‬ ‫دوره‬:𝑌𝑡−1
‫اجتماعی‬ ‫و‬ ‫سیاسی‬ ‫وقایع‬ ‫کردن‬ ‫وارد‬ ‫برای‬ ‫مجازی‬ ‫متغیر‬(‫جنگ‬ ‫مثالوقوع‬: )𝑫𝒖𝒎
‫اختالل‬ ‫جزء‬:𝑈𝑡
‫یا‬ ‫سنجی‬ ‫اقتصاد‬ ‫نتایج‬ ‫آزمون‬OLS
‫ضرائب‬ ‫عالمت‬
‫ضرائب‬ ‫بودن‬ ‫دار‬ ‫معنی‬
‫وابسته‬ ‫متغیر‬ ‫تبیین‬
‫آزمونها‬ ‫سایر‬
‫چندگانه‬ ‫خطی‬ ‫هم‬
‫واریانس‬ ‫ناهمسانی‬
‫پیاپی‬ ‫همبستگی‬
‫مثال‬:‫مبدا‬ ‫بین‬ ‫سفرهوایی‬ ‫برای‬ ‫تقاضا‬X‫مقصد‬ ‫و‬Y:
ln𝑸 𝒕 = 𝟐.𝟕𝟑𝟕 − 𝟏.𝟐𝟒𝟕ln𝑷 𝒕 + 𝟏.𝟗𝟎𝟓ln𝑮𝑵𝑷𝒕
(7.286( )5.071-)
𝑹 𝟐 = 𝟎.𝟗𝟕 D-W= 1.83
‫مسافران‬ ‫تعداد‬(1000‫نفر‬)‫از‬ ‫که‬ ‫است‬ ‫سال‬ ‫هر‬ ‫در‬‫مبدا‬X‫به‬‫مقصد‬Y‫کنند‬ ‫می‬ ‫سفر‬:𝑄𝑡
‫بین‬ ‫بلیط‬ ‫بهای‬ ‫ساالنه‬ ‫واقعی‬ ‫میانگین‬‫مبدا‬X‫و‬‫مقصد‬Y:𝑃𝑡
‫کشور‬ ‫واقع‬ ‫ملی‬ ‫ناخالص‬ ‫تولید‬X‫سال‬ ‫در‬t:𝐺𝑁𝑃𝑡
‫گردشگری‬ ‫تقاضای‬ ‫بینی‬‫پیش‬
FORECASTING TOURISM DEMAND
‫چیست؟‬ ‫بینی‬ ‫پیش‬
‫گذشته‬ ‫تقاضای‬ ‫اطالعات‬ ‫اساس‬ ‫بر‬ ‫تقاضا‬ ‫آینده‬ ‫شرایط‬ ‫بیان‬ ‫برای‬ ‫مند‬ ‫نظام‬ ‫فرایندی‬
‫است؟‬ ‫مهم‬ ‫بینی‬ ‫پیش‬ ‫چرا‬
‫گردشگری‬ ‫محصوالت‬ ‫کردن‬ ‫ذخیره‬ ‫امکان‬ ‫عدم‬
‫گردشگران‬ ‫های‬‫انگیزه‬ ‫و‬ ‫رفتار‬ ‫پیچیدگی‬
‫تولید‬ ‫فرایند‬ ‫و‬ ‫مشتریان‬ ‫بین‬ ‫پیوستگی‬-‫مصرف‬
‫مشتریان‬ ‫رضایت‬
‫انسانی‬ ‫و‬ ‫طبیعی‬ ‫بالیای‬ ‫به‬ ‫نسبت‬ ‫حساسیت‬
‫مدت‬ ‫بلند‬ ‫ریزی‬ ‫برنامه‬
‫کارها‬ ‫و‬ ‫کسب‬ ‫هدایت‬
‫استراتژیک‬ ‫ریزی‬‫برنامه‬
‫بازاریابی‬
‫عملیات‬ ‫و‬ ‫تولید‬
‫حسابداری‬ ‫و‬ ‫مالی‬
‫تقاضا‬ ‫بینی‬‫پیش‬ ‫استفاده‬ ‫موارد‬‫عمومی‬‫نهادهای‬‫و‬‫ریزان‬‫برنامه‬
•‫اجتماعی‬ ‫اقتصادی‬ ‫اثرات‬ ‫برآورد‬/
‫محیطی‬ ‫زیست‬ ‫و‬ ‫فرهنگی‬
•‫ب‬ ‫شده‬ ‫اعمال‬ ‫مقررات‬ ‫اثرات‬ ‫بررسی‬‫ر‬
‫گردشگری‬ ‫بخش‬
•‫بخش‬ ‫زایی‬ ‫درآمد‬ ‫سیاستهای‬ ‫طراحی‬
‫گردشگری‬ ‫ناحیه‬ ‫از‬ ‫عمومی‬
•‫ب‬ ‫توسعه‬ ‫و‬ ‫مدت‬ ‫بلند‬ ‫ریزی‬ ‫برنامه‬‫رنامه‬
‫اقتضایی‬ ‫ریزی‬
•‫ز‬ ‫عرضه‬ ‫و‬ ‫سازی‬ ‫ظرفیت‬ ‫از‬ ‫اطمینان‬‫یر‬
‫ساخت‬
•‫مناس‬ ‫های‬ ‫تصمصیم‬ ‫اتخاذ‬ ‫به‬ ‫کمک‬‫ب‬
‫بزرگ‬ ‫و‬ ‫کوچک‬ ‫راهبری‬
‫مدیران‬
•‫عملیاتی‬ ‫نیازهای‬ ‫تعین‬
•‫های‬ ‫طرح‬ ‫سنجی‬ ‫امکان‬ ‫مطالعه‬
‫ای‬ ‫سرمایه‬
‫گردشگری‬‫های‬‫بازار‬
•‫طر‬ ‫برای‬ ‫یابی‬ ‫بازار‬ ‫اهداف‬ ‫تعیین‬‫ح‬
‫ساالنه‬ ‫و‬ ‫راهبردی‬ ‫های‬
•‫بالقوه‬ ‫بازارهای‬ ‫شناخت‬
•‫رخداد‬ ‫اثرات‬ ‫تعیین‬ ‫سازی‬ ‫شبیه‬‫های‬
‫تقاضا‬ ‫بر‬ ‫آینده‬
‫بینی‬‫پیش‬ ‫مختلف‬ ‫های‬‫رهیافت‬
‫ترکیبی‬ ‫مدلهای‬
•‫؟‬
‫کمی‬ ‫مدلهای‬
•‫زمانی‬ ‫سری‬
•‫علیتی‬ ‫مدلهای‬(‫اقتص‬‫اد‬
‫سنجی‬)
‫کیفی‬ ‫مدلهای‬
•‫از‬ ‫سنجی‬ ‫نظر‬
‫فروشندگان‬
•‫جمعی‬ ‫توافق‬ ‫روش‬
•‫پیمایشی‬ ‫روش‬
•‫دلفی‬ ‫تکنیک‬
•‫سازی‬ ‫سناریو‬
‫زمانی‬ ‫سری‬ ‫بینی‬‫پیش‬ ‫های‬‫رهیافت‬
‫زمانی‬ ‫سری‬ ‫یک‬ ‫اجزا‬:
‫عمومی‬ ‫روند‬(Trend)‫ای‬ ‫دوره‬ ‫تغییرات‬(Cyclical)‫تغییرات‬(‫اثرات‬)‫فصلی‬(Seasonal effects)
‫نامنظم‬ ‫نوسانات‬(‫تصادفی‬( )Irregular fluctuation)
𝑄𝑡 = 𝑇𝑡 𝐶𝑡 𝑆𝑡 𝐼𝑡
𝑄𝑡 = 𝑇𝑡 +𝐶𝑡 +𝑆𝑡 +𝐼𝑡
𝑄𝑡 = 𝑇𝑡 𝐶𝑡 +𝑆𝑡 𝐼𝑡
‫ساده‬ ‫تحلیل‬
𝑄𝑡 = 𝑓(𝑡)
𝑄𝑡 = 𝑎 + 𝑏𝑇
a: ‫مبدا‬ ‫از‬ ‫عرض‬
b: ‫رگرسیون‬ ‫خط‬ ‫شیب‬
‫زمان‬
Q
‫مثال‬:
16151413121110987654321t
19162015171518141613171214121511Q
𝑄𝑡 = 𝑎 + 𝑏𝑇
𝑏 =
𝛴𝑡𝑄 − 𝑛 ҧ𝑡 ത𝑄
σ 𝑡2 − 𝑛 ҧ𝑡2
= 0.394
𝑎 = ത𝑄 − 𝑏 ҧ𝑡 = 11.90
𝑅2
= 0.50‫و‬T=4
𝑄𝑡 = 11.9 + 0.394𝑡
‫روند‬ ‫های‬ ‫مدل‬ ‫سایر‬
‫زمان‬
Q
‫زمان‬
Q
‫روند‬‫روند‬ ‫کاهنده‬ ‫رشد‬ ‫نرخ‬ ‫با‬ ‫صعودی‬‫نرخ‬ ‫با‬ ‫صعودی‬‫افزاینده‬ ‫رشد‬
൝
𝑄 = 𝑎 + 𝑏1 𝑡 + 𝑏2 𝑡2
𝑄 = 𝑎 + 𝑏1 𝑡 − 𝑏2 𝑡2, 𝑏1,𝑏2 > 0
‫ای‬ ‫دوره‬ ‫و‬ ‫فصلی‬ ‫تغییرات‬
‫تغییرات‬ ‫برآورد‬ ‫های‬ ‫تکنیک‬‫فصلی‬:
‫روند‬ ‫به‬ ‫نسبت‬ ‫روش‬(‫است‬ ‫شده‬ ‫ضرب‬ ‫فصلی‬ ‫اثرات‬ ‫در‬ ‫روند‬ ‫مقدار‬ ‫که‬ ‫شود‬ ‫می‬ ‫فرض‬ ‫روش‬ ‫این‬ ‫در‬)
‫مجازی‬ ‫متغیرهای‬ ‫از‬ ‫استفاده‬ ‫روش‬
𝑄𝑡 = 𝛼 + 𝛽1𝑡 + 𝛽2 𝐷1𝑡 + 𝛽3 𝐷2𝑡 + 𝛽4 𝐷3𝑡
‫مثال‬:
‫سال‬‫بینی‬ ‫پیش‬(‫واحد‬ ‫در‬1000)‫واحد‬ ‫در‬ ‫واقعی‬1000‫بینی‬ ‫پیش‬ ‫بر‬ ‫تقسیم‬ ‫واقعی‬
T=1 2007,112.29110.895
T=5 2007,21387120.865
T=9 2007,315.45140.906
T=13 2007,417.02150.881
‫میانگین‬0.877
T=2 2008,112.69151.182
.............
T=4 2010,113.48141.039
T=4 2010,115.05161.063
T=4 2010,116.63171.022
T=4 2010,118.20191.044‫میانگین‬=1.024
‫سال‬ ‫در‬ ‫گردشگران‬ ‫تعداد‬ ‫بینی‬ ‫پیش‬2011
:‫سال‬ ‫اول‬ ‫فصل‬2011 𝑄17 = 18.6 0.887 = 16.5
:‫فصل‬‫دوم‬‫سال‬2011 𝑄18 = 18.99 1.165 = 16.5
:‫فصل‬‫سوم‬‫سال‬2011 𝑄19 = 19.39 0.907 = 16.5
:‫فصل‬‫چهارم‬‫سال‬2011 𝑄20 = 19.78 1.042 = 16.5
‫سازی‬ ‫هموار‬ ‫های‬ ‫تکنیک‬
‫نمایی‬ ‫سازی‬ ‫هموار‬(Exponential smoothing)
෠𝑄𝑡+1=W𝑄𝑡 + (1 − 𝑊) ෠𝑄𝑡
‫متحرک‬ ‫میانگین‬(Moving average)
𝑄𝑡+𝑄𝑡−1+⋯+𝑄 𝑡−𝑁+1
𝑁
=෠𝑄𝑡+1
‫روشها‬ ‫ارزیابی‬(‫ها‬ ‫بینی‬ ‫پیش‬)
‫تکنیک‬‫فرمول‬
‫خطا‬ ‫مجذور‬ ‫میانگین‬
𝑴𝑺𝑬 =
σ 𝒕=𝟏
𝒏
𝒂 𝒕 − 𝒇 𝒕
𝟐
𝒏
‫خطا‬ ‫مجذور‬ ‫میانگین‬ ‫ریشه‬
𝑹𝑴𝑺𝑬 =
σ 𝒕=𝟏
𝒏
𝒂 𝒕 − 𝒇 𝒕
𝟐
𝒏
‫ها‬ ‫خطا‬ ‫درصدی‬ ‫میانگین‬
𝑴𝑷𝑬 =
𝟏
𝒏
෍
𝒕=𝟏
𝒏
𝒂 𝒕 − 𝒇 𝒕
𝒂 𝒕
∗ 𝟏𝟎𝟎
‫خطاها‬ ‫مطلق‬ ‫قدر‬ ‫میانگین‬
𝑴𝑨𝑬 =
𝟏
𝒏
෍
𝒕=𝟏
𝒏
𝒂 𝒕 − 𝒇 𝒕
‫خطا‬ ‫درصد‬ ‫مطلق‬ ‫قدر‬ ‫میانگین‬
𝑴𝑨𝑷𝑬 =
𝟏
𝒏
෍
𝒕=𝟏
𝒏
𝒂 𝒕 − 𝒇 𝒕
𝒂 𝒕
∗ 𝟏𝟎𝟎
‫روش‬ ‫بهترین‬ ‫نبود‬
‫تکنیک‬‫فرمول‬
‫آماره‬U-‫تیل‬
𝑈1 =
σ 𝑡=1
𝑛
𝑎 𝑡 − 𝑓𝑡
2
σ 𝑡=1
𝑛
𝑎 𝑡
2 + σ 𝑡=1
𝑛
𝑓𝑡
2
𝑈1 =
σ 𝑡=1
𝑛−1 𝑓𝑡+1 − 𝑎 𝑡+1
𝑎 𝑡
2
σ 𝑡=1
𝑛−1 𝑎 𝑡+1 − 𝑎 𝑡
𝑎 𝑡
2
‫آماره‬ ‫تفسیر‬U-‫تیل‬
Type equation here.
‫زمانی‬ ‫سری‬ ‫رهیافت‬ ‫های‬‫کاستی‬
•‫ندارد‬ ‫را‬ ‫پذیر‬ ‫برگشت‬ ‫نقاط‬ ‫توانایی‬ ‫ساده‬ ‫روند‬ ‫ترسیم‬ ‫تکنیک‬
•‫مورد‬ ، ‫است‬ ‫باقی‬ ‫خود‬ ‫قوت‬ ‫به‬ ‫آینده‬ ‫زمانهای‬ ‫در‬ ‫همچنان‬ ‫زمانی‬ ‫سری‬ ‫گذشته‬ ‫تاریخی‬ ‫روابط‬ ‫اینکه‬ ‫فرض‬‫انتقاد‬
‫است‬ ‫جدی‬
•‫شود‬ ‫نمی‬ ‫گرفته‬ ‫نظر‬ ‫در‬ ‫معلولی‬ ‫علی‬ ‫روابط‬

More Related Content

Featured

Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie Insights
Kurio // The Social Media Age(ncy)
 
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them wellGood Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
Saba Software
 
Introduction to C Programming Language
Introduction to C Programming LanguageIntroduction to C Programming Language
Introduction to C Programming Language
Simplilearn
 

Featured (20)

How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie Insights
 
Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024
 
5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary
 
ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd
 
Getting into the tech field. what next
Getting into the tech field. what next Getting into the tech field. what next
Getting into the tech field. what next
 
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentGoogle's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search Intent
 
How to have difficult conversations
How to have difficult conversations How to have difficult conversations
How to have difficult conversations
 
Introduction to Data Science
Introduction to Data ScienceIntroduction to Data Science
Introduction to Data Science
 
Time Management & Productivity - Best Practices
Time Management & Productivity -  Best PracticesTime Management & Productivity -  Best Practices
Time Management & Productivity - Best Practices
 
The six step guide to practical project management
The six step guide to practical project managementThe six step guide to practical project management
The six step guide to practical project management
 
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
 
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
 
12 Ways to Increase Your Influence at Work
12 Ways to Increase Your Influence at Work12 Ways to Increase Your Influence at Work
12 Ways to Increase Your Influence at Work
 
ChatGPT webinar slides
ChatGPT webinar slidesChatGPT webinar slides
ChatGPT webinar slides
 
More than Just Lines on a Map: Best Practices for U.S Bike Routes
More than Just Lines on a Map: Best Practices for U.S Bike RoutesMore than Just Lines on a Map: Best Practices for U.S Bike Routes
More than Just Lines on a Map: Best Practices for U.S Bike Routes
 
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
 
Barbie - Brand Strategy Presentation
Barbie - Brand Strategy PresentationBarbie - Brand Strategy Presentation
Barbie - Brand Strategy Presentation
 
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them wellGood Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
 
Introduction to C Programming Language
Introduction to C Programming LanguageIntroduction to C Programming Language
Introduction to C Programming Language
 

Presentationshare

  • 2. ‫گردشگری‬ ‫تقاضای‬ ‫سازی‬‫مدل‬ •‫گام‬1:‫متغیرها‬ ‫کردن‬ ‫مشخص‬ 𝑄 𝑋 = 𝑓(𝑃𝑋, 𝑌, 𝑁, 𝑃𝑆, 𝑃𝑐, 𝑇, 𝐴, 𝐷𝑈𝑀, … ) •‫گام‬2:‫متغیرها‬ ‫پیرامون‬ ‫ها‬ ‫داده‬ ‫آوری‬ ‫جمع‬ൢ ‫م‬‫قطعی‬ ‫زمانی‬ ‫سری‬ ‫تابلویی‬ •‫گام‬3:‫تقاضا‬ ‫تابع‬ ‫کردن‬ ‫مشخص‬(‫خطی‬–‫خطی‬ ‫غیر‬) ൝ 𝑄 𝑋 = 𝛂0 + 𝜷1 𝑝 𝑋 + 𝜷2 𝑌 + 𝜷3 𝑁 + 𝜷4 𝑃𝑠 + 𝜷5 𝑃𝑐 + 𝜷6 𝑇 + 𝜷7 𝐴 + ⋯ + 𝑒(𝝁) 𝑄 𝑋 = α 𝑝 𝑋 𝛽1 𝑌 𝛽2 𝑁 𝛽3 𝑃𝑆 𝛽4 𝑃𝐶 𝛽5 𝑇 𝛽6 𝐴 𝛽7 … μ ln𝑄 𝑋 = ln𝛂0 + 𝜷1ln𝑃𝑋 + 𝜷2ln𝑌 + 𝜷3ln𝑁 + 𝜷4ln𝑃𝑠 + 𝜷5ln𝑃𝑐 + 𝜷6ln𝑇 + 𝜷7ln𝐴 + ⋯ + ln𝑒(𝝁)
  • 3. ‫مثال‬:‫موسایی‬(1383)‫اس‬ ‫زده‬ ‫تخمین‬ ‫را‬ ‫زیر‬ ‫مدل‬ ‫ایران‬ ‫در‬ ‫توریسم‬ ‫تقاضای‬ ‫تابع‬ ‫تخمین‬ ‫عنوان‬ ‫با‬ ‫ای‬ ‫مقاله‬ ‫در‬‫ت‬: ln𝒀 𝒕 = 𝜶 𝟎 + 𝒂 𝟏ln𝑿 𝟏𝒕 + 𝒂 𝟐ln𝑿 𝟐𝒕 + 𝒂 𝟑ln𝒀 𝒕−𝟏 + 𝒂 𝟒 𝑫𝒖𝒎 + ⋯ + 𝑼 𝒕 ‫گردشگری‬ ‫از‬ ‫حاصل‬ ‫درآمد‬(‫دالر‬ ‫به‬)‫وابسته‬ ‫متغیر‬ ،:𝑌𝑡 ‫قیمتی‬ ‫متغیر‬ ‫حکم‬ ‫،در‬ ‫جهانی‬ ‫قیمت‬ ‫به‬ ‫داخلی‬ ‫قیمت‬ ‫شاخص‬:𝑋1𝑡 ‫جهانی‬ ‫ملی‬ ‫ناخالص‬ ‫تولید‬(‫دالر‬ ‫به‬)‫درآمدی‬ ‫مقیاس‬ ‫متغیر‬ ‫حکم‬ ‫در‬:𝑋2𝑡 ‫درآمد‬‫گردشگری‬ ‫از‬ ‫حاصل‬(‫دالر‬ ‫به‬)،‫قبل‬ ‫دوره‬:𝑌𝑡−1 ‫اجتماعی‬ ‫و‬ ‫سیاسی‬ ‫وقایع‬ ‫کردن‬ ‫وارد‬ ‫برای‬ ‫مجازی‬ ‫متغیر‬(‫جنگ‬ ‫مثالوقوع‬: )𝑫𝒖𝒎 ‫اختالل‬ ‫جزء‬:𝑈𝑡
  • 4. ‫یا‬ ‫سنجی‬ ‫اقتصاد‬ ‫نتایج‬ ‫آزمون‬OLS ‫ضرائب‬ ‫عالمت‬ ‫ضرائب‬ ‫بودن‬ ‫دار‬ ‫معنی‬ ‫وابسته‬ ‫متغیر‬ ‫تبیین‬ ‫آزمونها‬ ‫سایر‬ ‫چندگانه‬ ‫خطی‬ ‫هم‬ ‫واریانس‬ ‫ناهمسانی‬ ‫پیاپی‬ ‫همبستگی‬
  • 5. ‫مثال‬:‫مبدا‬ ‫بین‬ ‫سفرهوایی‬ ‫برای‬ ‫تقاضا‬X‫مقصد‬ ‫و‬Y: ln𝑸 𝒕 = 𝟐.𝟕𝟑𝟕 − 𝟏.𝟐𝟒𝟕ln𝑷 𝒕 + 𝟏.𝟗𝟎𝟓ln𝑮𝑵𝑷𝒕 (7.286( )5.071-) 𝑹 𝟐 = 𝟎.𝟗𝟕 D-W= 1.83 ‫مسافران‬ ‫تعداد‬(1000‫نفر‬)‫از‬ ‫که‬ ‫است‬ ‫سال‬ ‫هر‬ ‫در‬‫مبدا‬X‫به‬‫مقصد‬Y‫کنند‬ ‫می‬ ‫سفر‬:𝑄𝑡 ‫بین‬ ‫بلیط‬ ‫بهای‬ ‫ساالنه‬ ‫واقعی‬ ‫میانگین‬‫مبدا‬X‫و‬‫مقصد‬Y:𝑃𝑡 ‫کشور‬ ‫واقع‬ ‫ملی‬ ‫ناخالص‬ ‫تولید‬X‫سال‬ ‫در‬t:𝐺𝑁𝑃𝑡
  • 6. ‫گردشگری‬ ‫تقاضای‬ ‫بینی‬‫پیش‬ FORECASTING TOURISM DEMAND ‫چیست؟‬ ‫بینی‬ ‫پیش‬ ‫گذشته‬ ‫تقاضای‬ ‫اطالعات‬ ‫اساس‬ ‫بر‬ ‫تقاضا‬ ‫آینده‬ ‫شرایط‬ ‫بیان‬ ‫برای‬ ‫مند‬ ‫نظام‬ ‫فرایندی‬
  • 7. ‫است؟‬ ‫مهم‬ ‫بینی‬ ‫پیش‬ ‫چرا‬ ‫گردشگری‬ ‫محصوالت‬ ‫کردن‬ ‫ذخیره‬ ‫امکان‬ ‫عدم‬ ‫گردشگران‬ ‫های‬‫انگیزه‬ ‫و‬ ‫رفتار‬ ‫پیچیدگی‬ ‫تولید‬ ‫فرایند‬ ‫و‬ ‫مشتریان‬ ‫بین‬ ‫پیوستگی‬-‫مصرف‬ ‫مشتریان‬ ‫رضایت‬ ‫انسانی‬ ‫و‬ ‫طبیعی‬ ‫بالیای‬ ‫به‬ ‫نسبت‬ ‫حساسیت‬ ‫مدت‬ ‫بلند‬ ‫ریزی‬ ‫برنامه‬ ‫کارها‬ ‫و‬ ‫کسب‬ ‫هدایت‬ ‫استراتژیک‬ ‫ریزی‬‫برنامه‬ ‫بازاریابی‬ ‫عملیات‬ ‫و‬ ‫تولید‬ ‫حسابداری‬ ‫و‬ ‫مالی‬
  • 8. ‫تقاضا‬ ‫بینی‬‫پیش‬ ‫استفاده‬ ‫موارد‬‫عمومی‬‫نهادهای‬‫و‬‫ریزان‬‫برنامه‬ •‫اجتماعی‬ ‫اقتصادی‬ ‫اثرات‬ ‫برآورد‬/ ‫محیطی‬ ‫زیست‬ ‫و‬ ‫فرهنگی‬ •‫ب‬ ‫شده‬ ‫اعمال‬ ‫مقررات‬ ‫اثرات‬ ‫بررسی‬‫ر‬ ‫گردشگری‬ ‫بخش‬ •‫بخش‬ ‫زایی‬ ‫درآمد‬ ‫سیاستهای‬ ‫طراحی‬ ‫گردشگری‬ ‫ناحیه‬ ‫از‬ ‫عمومی‬ •‫ب‬ ‫توسعه‬ ‫و‬ ‫مدت‬ ‫بلند‬ ‫ریزی‬ ‫برنامه‬‫رنامه‬ ‫اقتضایی‬ ‫ریزی‬ •‫ز‬ ‫عرضه‬ ‫و‬ ‫سازی‬ ‫ظرفیت‬ ‫از‬ ‫اطمینان‬‫یر‬ ‫ساخت‬ •‫مناس‬ ‫های‬ ‫تصمصیم‬ ‫اتخاذ‬ ‫به‬ ‫کمک‬‫ب‬ ‫بزرگ‬ ‫و‬ ‫کوچک‬ ‫راهبری‬ ‫مدیران‬ •‫عملیاتی‬ ‫نیازهای‬ ‫تعین‬ •‫های‬ ‫طرح‬ ‫سنجی‬ ‫امکان‬ ‫مطالعه‬ ‫ای‬ ‫سرمایه‬ ‫گردشگری‬‫های‬‫بازار‬ •‫طر‬ ‫برای‬ ‫یابی‬ ‫بازار‬ ‫اهداف‬ ‫تعیین‬‫ح‬ ‫ساالنه‬ ‫و‬ ‫راهبردی‬ ‫های‬ •‫بالقوه‬ ‫بازارهای‬ ‫شناخت‬ •‫رخداد‬ ‫اثرات‬ ‫تعیین‬ ‫سازی‬ ‫شبیه‬‫های‬ ‫تقاضا‬ ‫بر‬ ‫آینده‬
  • 9. ‫بینی‬‫پیش‬ ‫مختلف‬ ‫های‬‫رهیافت‬ ‫ترکیبی‬ ‫مدلهای‬ •‫؟‬ ‫کمی‬ ‫مدلهای‬ •‫زمانی‬ ‫سری‬ •‫علیتی‬ ‫مدلهای‬(‫اقتص‬‫اد‬ ‫سنجی‬) ‫کیفی‬ ‫مدلهای‬ •‫از‬ ‫سنجی‬ ‫نظر‬ ‫فروشندگان‬ •‫جمعی‬ ‫توافق‬ ‫روش‬ •‫پیمایشی‬ ‫روش‬ •‫دلفی‬ ‫تکنیک‬ •‫سازی‬ ‫سناریو‬
  • 10. ‫زمانی‬ ‫سری‬ ‫بینی‬‫پیش‬ ‫های‬‫رهیافت‬ ‫زمانی‬ ‫سری‬ ‫یک‬ ‫اجزا‬: ‫عمومی‬ ‫روند‬(Trend)‫ای‬ ‫دوره‬ ‫تغییرات‬(Cyclical)‫تغییرات‬(‫اثرات‬)‫فصلی‬(Seasonal effects) ‫نامنظم‬ ‫نوسانات‬(‫تصادفی‬( )Irregular fluctuation)
  • 11. 𝑄𝑡 = 𝑇𝑡 𝐶𝑡 𝑆𝑡 𝐼𝑡 𝑄𝑡 = 𝑇𝑡 +𝐶𝑡 +𝑆𝑡 +𝐼𝑡 𝑄𝑡 = 𝑇𝑡 𝐶𝑡 +𝑆𝑡 𝐼𝑡 ‫ساده‬ ‫تحلیل‬ 𝑄𝑡 = 𝑓(𝑡) 𝑄𝑡 = 𝑎 + 𝑏𝑇 a: ‫مبدا‬ ‫از‬ ‫عرض‬ b: ‫رگرسیون‬ ‫خط‬ ‫شیب‬ ‫زمان‬ Q
  • 12. ‫مثال‬: 16151413121110987654321t 19162015171518141613171214121511Q 𝑄𝑡 = 𝑎 + 𝑏𝑇 𝑏 = 𝛴𝑡𝑄 − 𝑛 ҧ𝑡 ത𝑄 σ 𝑡2 − 𝑛 ҧ𝑡2 = 0.394 𝑎 = ത𝑄 − 𝑏 ҧ𝑡 = 11.90 𝑅2 = 0.50‫و‬T=4 𝑄𝑡 = 11.9 + 0.394𝑡
  • 13. ‫روند‬ ‫های‬ ‫مدل‬ ‫سایر‬ ‫زمان‬ Q ‫زمان‬ Q ‫روند‬‫روند‬ ‫کاهنده‬ ‫رشد‬ ‫نرخ‬ ‫با‬ ‫صعودی‬‫نرخ‬ ‫با‬ ‫صعودی‬‫افزاینده‬ ‫رشد‬ ൝ 𝑄 = 𝑎 + 𝑏1 𝑡 + 𝑏2 𝑡2 𝑄 = 𝑎 + 𝑏1 𝑡 − 𝑏2 𝑡2, 𝑏1,𝑏2 > 0
  • 14. ‫ای‬ ‫دوره‬ ‫و‬ ‫فصلی‬ ‫تغییرات‬ ‫تغییرات‬ ‫برآورد‬ ‫های‬ ‫تکنیک‬‫فصلی‬: ‫روند‬ ‫به‬ ‫نسبت‬ ‫روش‬(‫است‬ ‫شده‬ ‫ضرب‬ ‫فصلی‬ ‫اثرات‬ ‫در‬ ‫روند‬ ‫مقدار‬ ‫که‬ ‫شود‬ ‫می‬ ‫فرض‬ ‫روش‬ ‫این‬ ‫در‬) ‫مجازی‬ ‫متغیرهای‬ ‫از‬ ‫استفاده‬ ‫روش‬ 𝑄𝑡 = 𝛼 + 𝛽1𝑡 + 𝛽2 𝐷1𝑡 + 𝛽3 𝐷2𝑡 + 𝛽4 𝐷3𝑡
  • 15. ‫مثال‬: ‫سال‬‫بینی‬ ‫پیش‬(‫واحد‬ ‫در‬1000)‫واحد‬ ‫در‬ ‫واقعی‬1000‫بینی‬ ‫پیش‬ ‫بر‬ ‫تقسیم‬ ‫واقعی‬ T=1 2007,112.29110.895 T=5 2007,21387120.865 T=9 2007,315.45140.906 T=13 2007,417.02150.881 ‫میانگین‬0.877 T=2 2008,112.69151.182 ............. T=4 2010,113.48141.039 T=4 2010,115.05161.063 T=4 2010,116.63171.022 T=4 2010,118.20191.044‫میانگین‬=1.024
  • 16. ‫سال‬ ‫در‬ ‫گردشگران‬ ‫تعداد‬ ‫بینی‬ ‫پیش‬2011 :‫سال‬ ‫اول‬ ‫فصل‬2011 𝑄17 = 18.6 0.887 = 16.5 :‫فصل‬‫دوم‬‫سال‬2011 𝑄18 = 18.99 1.165 = 16.5 :‫فصل‬‫سوم‬‫سال‬2011 𝑄19 = 19.39 0.907 = 16.5 :‫فصل‬‫چهارم‬‫سال‬2011 𝑄20 = 19.78 1.042 = 16.5
  • 17. ‫سازی‬ ‫هموار‬ ‫های‬ ‫تکنیک‬ ‫نمایی‬ ‫سازی‬ ‫هموار‬(Exponential smoothing) ෠𝑄𝑡+1=W𝑄𝑡 + (1 − 𝑊) ෠𝑄𝑡 ‫متحرک‬ ‫میانگین‬(Moving average) 𝑄𝑡+𝑄𝑡−1+⋯+𝑄 𝑡−𝑁+1 𝑁 =෠𝑄𝑡+1
  • 18. ‫روشها‬ ‫ارزیابی‬(‫ها‬ ‫بینی‬ ‫پیش‬) ‫تکنیک‬‫فرمول‬ ‫خطا‬ ‫مجذور‬ ‫میانگین‬ 𝑴𝑺𝑬 = σ 𝒕=𝟏 𝒏 𝒂 𝒕 − 𝒇 𝒕 𝟐 𝒏 ‫خطا‬ ‫مجذور‬ ‫میانگین‬ ‫ریشه‬ 𝑹𝑴𝑺𝑬 = σ 𝒕=𝟏 𝒏 𝒂 𝒕 − 𝒇 𝒕 𝟐 𝒏 ‫ها‬ ‫خطا‬ ‫درصدی‬ ‫میانگین‬ 𝑴𝑷𝑬 = 𝟏 𝒏 ෍ 𝒕=𝟏 𝒏 𝒂 𝒕 − 𝒇 𝒕 𝒂 𝒕 ∗ 𝟏𝟎𝟎 ‫خطاها‬ ‫مطلق‬ ‫قدر‬ ‫میانگین‬ 𝑴𝑨𝑬 = 𝟏 𝒏 ෍ 𝒕=𝟏 𝒏 𝒂 𝒕 − 𝒇 𝒕 ‫خطا‬ ‫درصد‬ ‫مطلق‬ ‫قدر‬ ‫میانگین‬ 𝑴𝑨𝑷𝑬 = 𝟏 𝒏 ෍ 𝒕=𝟏 𝒏 𝒂 𝒕 − 𝒇 𝒕 𝒂 𝒕 ∗ 𝟏𝟎𝟎
  • 19. ‫روش‬ ‫بهترین‬ ‫نبود‬ ‫تکنیک‬‫فرمول‬ ‫آماره‬U-‫تیل‬ 𝑈1 = σ 𝑡=1 𝑛 𝑎 𝑡 − 𝑓𝑡 2 σ 𝑡=1 𝑛 𝑎 𝑡 2 + σ 𝑡=1 𝑛 𝑓𝑡 2 𝑈1 = σ 𝑡=1 𝑛−1 𝑓𝑡+1 − 𝑎 𝑡+1 𝑎 𝑡 2 σ 𝑡=1 𝑛−1 𝑎 𝑡+1 − 𝑎 𝑡 𝑎 𝑡 2 ‫آماره‬ ‫تفسیر‬U-‫تیل‬ Type equation here.
  • 20. ‫زمانی‬ ‫سری‬ ‫رهیافت‬ ‫های‬‫کاستی‬ •‫ندارد‬ ‫را‬ ‫پذیر‬ ‫برگشت‬ ‫نقاط‬ ‫توانایی‬ ‫ساده‬ ‫روند‬ ‫ترسیم‬ ‫تکنیک‬ •‫مورد‬ ، ‫است‬ ‫باقی‬ ‫خود‬ ‫قوت‬ ‫به‬ ‫آینده‬ ‫زمانهای‬ ‫در‬ ‫همچنان‬ ‫زمانی‬ ‫سری‬ ‫گذشته‬ ‫تاریخی‬ ‫روابط‬ ‫اینکه‬ ‫فرض‬‫انتقاد‬ ‫است‬ ‫جدی‬ •‫شود‬ ‫نمی‬ ‫گرفته‬ ‫نظر‬ ‫در‬ ‫معلولی‬ ‫علی‬ ‫روابط‬