دانشگاه تبریز
فهرست نشریات دارای اعتبار وزارت علوم، تحقیقات و فناوری
پایگاه استنادی علوم جهان اسلام (ISC)

آمار

تعداد نشریات31
تعداد شماره‌ها653
تعداد مقالات6,813
تعداد مشاهده مقاله8,803,074
تعداد دریافت فایل اصل مقاله8,077,911
تیموری, ایرج, حکیمی, هادی. (1396). برآورد تقاضای سفر گردشگران ایرانی به ترکیه با استفاده از شبکه‌های عصبی مصنوعی. نشریه جغرافیا و برنامه ریزی, 21(61), 127-145. doi: 2-9
ایرج تیموری; هادی حکیمی. "برآورد تقاضای سفر گردشگران ایرانی به ترکیه با استفاده از شبکه‌های عصبی مصنوعی". نشریه جغرافیا و برنامه ریزی, 21, 61, 1396, 127-145. doi: 2-9
تیموری, ایرج, حکیمی, هادی. (1396). 'برآورد تقاضای سفر گردشگران ایرانی به ترکیه با استفاده از شبکه‌های عصبی مصنوعی', نشریه جغرافیا و برنامه ریزی, 21(61), pp. 127-145. doi: 2-9
تیموری, ایرج, حکیمی, هادی. برآورد تقاضای سفر گردشگران ایرانی به ترکیه با استفاده از شبکه‌های عصبی مصنوعی. نشریه جغرافیا و برنامه ریزی, 1396; 21(61): 127-145. doi: 2-9

برآورد تقاضای سفر گردشگران ایرانی به ترکیه با استفاده از شبکه‌های عصبی مصنوعی

نشریه جغرافیا و برنامه ریزی
مقاله 8، دوره 21، شماره 61، پاییز 1396، صفحه 127-145  XML اصل مقاله (2545 K)
نوع مقاله: مقاله علمی پژوهشی
شناسه دیجیتال (DOI): 2-9
نویسندگان
ایرج تیموری1؛ هادی حکیمی2
1دانشگاه تبریز
2استادیار گروه جغرافیا و برنامه ریزی شهری دانشگاه تبریز
چکیده
برای شهروندان ایرانی سفر به ترکیه بدون داشتن ویزا مقدور بوده و عمده‌ترین دلایل شهروندان ایرانی برای سفر به ترکیه را می‌توان؛ استراحت و گذران اوقات فراغت، بهره­مندی از جاذبه‌های مـختلف طبیعی، ساحلی، انسانی، تجارت، داد و ستد؛ مخصوصاً خرید البسه و پـوشاک؛ بر­شمرد. گردشگری یکی از اصلی‌ترین محرک‌های اقتصادی کشور ترکیه محسوب می‌شود. افزایش یا کاهش تعداد گردشگران ایرانی در ترکیه به عوامل متعدد اقتصادی، سیاسی در سطح ملی و بین‌المللی ربط دارد. برآورد دقیق تقاضای گردشگری موضوعی مهم و حیاتی برای صنعت توریسم به­شمار رفته و پیش­بینی دقیق تقاضای گردشگری می‌تواند اطلاعات مفیدی را برای برنامه­ریزی و سیاست­گذاری­های آتی در رابطه با توریسم فراهم سازد. هدف این مقاله پیش­بینی تقاضای سفر به ترکیه از طرف گردشگران ایرانی می­باشد. تکنیک مورد استفاده برای پیش­بینی تقاضای سفر شبکه‌های عصبی مصنوعی می­باشد. متغیرهای اثر­گذار بر روی تقاضای گردشگری ایرانیان با بررسی پیشینه تحقیق استخراج شد و جمعاً 13 متغیر را این تحقیق برای پیش­بینی تقاضای گردشگری به  کار رفت. نتایج به­دست آمده از تحقیق نشان می‌دهد که برآوردهای به­دست آمده در مقایسه با داده‌های واقعی از خطای کم­تری برخوردار هستند. طبق یافته‌های تحقیق چهار متغیر مهم اثر­گذار بر تقاضای گردشگری از طرف شهروندان ایرانی؛ میزان تولید روزانه نفت خام در ایران، نرخ تورم در ایران، تولید ناخالص داخلی در ترکیه، تولید ناخالص داخلی در ایران به ازای افراد شاغل است.
کلیدواژه ها
پیش‌بینی؛ تقاضای سفر؛ شبکه عصبی مصنوعی
موضوعات
ژئوتوریسم، اکوتوریسم و گردشگری
عنوان مقاله [English]
Determining the Iranian Tourists’ Demand for Traveling to Turkey by Using Artificial Neural Networks
نویسندگان [English]
Iraj Teimouri1؛ Hadi Hakimi2
2Assistant professor in geography and urban planning
چکیده [English]
For Iranian citizens traveling to turkey without visa is possible and the main reasons of Iranian citizens for traveling to Turkey are; resting, leisure time, enjoying various attractions like sea side, cultural, trading especially buying clothes and etc. The tourism industry is one of the main driving forces of Turkish economy. The increase and decrease of traveler to turkey depends on various factors in both national and international levels.  This article wants to forecast the amount of Iranian tourist which traveling to Turkey by using the Artificial Neural Network; (ANN). On the other hand, the present article attempts to attend to explore the importance of used variables in tourism demand to Turkey. The variables effects on Iranians’ tourism demand were extracted by exploring the literature review, and the present research just utilized 13 variables for forecasting the tourism demand. The results of the research showed that accessed estimates had less error in comparison with real data. According to present research, four important variables effect on tourism demand of Iranian citizens are the daily crude oil producing in Iran, inflation volume in Iran, gross domestic product in Turkey, gross domestic product for working people in Iran.
کلیدواژه ها [English]
Forecasting, Tourism Demand, Artificial Neural Networks
مراجع

ـ امین­رشتی، نارسیس؛ فهیمی­فر، فاطمه و ابراهیم صیامی­عراقی (1388)، «عوامل موثر بر صنعت گردشگری در منطقه مرکز، جنوب و غرب آسیا»، فصلنامه علوم اقتصادی، شماره 8، صص 111-97.

ـ فاتح، حبیبی و حسین عباسی­نژاد (1384)، «تصریح و برآورد تابع تقاضای گردشگری ایران با استفاده از داده‌های سری زمانی مقطعی»، مجله تحقیقات اقتصادی، شماره 70، صص 115-91.

ـ صیدائی، سیداسکندر و زهرا هدایتی مقدم (1389)، «نقش امنیت در توسعه گردشگری»، فصلنامه تخصصی علوم اجتماعی دانشگاه آزاد اسلامی، واحد شوشتر، شماره 8، صص 110-97.

ـ فاست، لوران (2009)، «مبانی شبکه‌های عصبی»، ترجمه: هادی ویسی، کبری مفاخری و سعیدباقری شورچی، جلد 1، چاپ اول، تهران، انتشارات نص.

ـ فرهودی، رحمت­الله و محمود شورچه (1389)، «برآورد اثر تغییرات فصلی بر درآمد گردشگری معبد آناهیتا با تحلیل رگرسیونی»، جغرافیا و توسعه، شماره 17، صص 62-45.

ـ فلیحی، نعمت و بهروز جعفرزاده (1390)، «بررسی عوامل موثر بر توریسم؛ تلفیق روش‌های اقتصادسنجی و سیستم دینامیکی»،  فصلنامه علوم اقتصادی، شماره  14، صص 90-53.

ـ لطفی، حیدر و ناصر سلطانی (1387)، «گردشگری، دولت و اقتصاد سیاسی در ایران»، فصلنامه چشم انداز جغرافیائی، شماره 7 ، صص 111-87.

ـ محمد­زاده، پرویز، بهبودی، داوود، فشاری، مجید، منی­پور، سیاب،(1389)، «تخمین تقاضای گردشگری ایران به تفکیک چند کشور منتخب با استفاده از رهیافت TVP»، فصلنامه اقتصاد مقداری، شماره 2، صص 149-171.

ـ محمدی،تیمور، کریمی، مجتبی، نجارزاده، نگین و معصومه شاه­کرم­اوغلی (1389)، «عوامل موثر بر تقاضای گردشگری در ایران»، فصلنامه علوم اقتصادی، شماره10، صص 51-27.

ـ ملکی­نژاد، حسین و ربابه پورشرعیاتی (1392)، «کاربرد و مقایسه مدل سری زمانی تجمعی و مدل شبکه عصبی مصنوعی در پیش­بینی تغییرات سطح آب زیرزمینی (مطالعه موردی دشت مروست)»، علوم و مهندسی آبیاری، شماره 3، صص 81-92.

ـ مهناج، محمدباقر (1388) «مبانی شبکه­های عصبی»، انتشارات دانشگاه امیرکبیر، تهران

ـ مؤمنی­وصالیان، هوشنگ و لیلا غلامی­پور (1390)، «تخمین تابع تقاضای گردشگری در استان‌های منتخب»، فصلنامه علوم اقتصادی، شماره 14، صص 184-166.

ـ هزار­جریبی، جعفر و ملک­محمد نجفی (1391)، بررسی جامعه­شناختی عوامل موثر بر توسعه گردشگری در ایران، جغرافیا و برنامه­ریزی محیطی، شماره 3، صص 133- 146.

-Alaeddinoglu. Faruk & Selcuk Can. Ali (2011), “Identification and Classification of Nature – Based Tourism Resources: Western Lake Van Basin Turkey, The 2nd International Geography Symposium GEOMED 2010”, Procedia Social and Behavioral Sciences, Vol. 19, PP. 198-207.

-Ali Raza. Syed & Jawaid, Syed Tehseen (2013), “Terrorism and Tourism: A Conjunction and Ramification in Pakistan”, Economic Modelling, Vol. 33, PP. 65-70.

-Atan. Sibel & Arslanturk. Yalcin (2012), “Tourism and Economic Growth Nexus: An Input Output Analysis in Turkey, wcbm2012”, Procedia- Social and Behavioral Sciences, Vol 62, PP. 952-956.

-Burger. C.J.S.C, Dohnal. M & et al (2001), “A Practitioners Guide to Time Series Methods for Tourism Demand Forecasting; a Case Study of Durban South Africa”, Tourism Management, Vol.22, PP. 403-409.

-Central Bank of Iran (2014), www.cbi.ir.

-Chen. Chun-Fu; Lai. Ming-Cheng & et al (2012), “Forecasting Tourism Demand Based on Empirical Mode Decomposition and Neural Network”, Knowledge Based Systems, Vol. 26, PP. 281-287.

-Curry Bruce, Morgan Peter, Silver Mick (2002), “Neural Networks and Non-Linear Statistical Methods: An Application to The Modelling of Price–Quality Relationships”, Computers & Operations Research, Volume 29, Issue 8, July 2002, PP. 951-969.

-Gunter, Ulrich & Onder, Irem (2015), “Forecasting International City Tourism demand for Paris: Accuracy of Uni-and Multivariate Models Employing Monthly Data”, Tourism Management, Vol. 46, pp. 123-135.

Kuvan, Yalcin (2005), “The Use of Forests for The Purpose of Tourism: Tthe Case of Belek Tourism Center in Turky”, Journal of Environmental Management, Vol. 75, PP. 263-274.

-Law, Rob (2000) Back-Propagation Learning in Improving Tthe Accuracy of Neural Network-Based Tourism Demand Forecasting”, Tourism Management, Vol.21, PP. 331-340.

-Pai, Ping-Feng; Hung. Kuo-Chen & etal (2014), “Tourism Demand Forecasting Using Novel Hybrid System”, Expert Systems with Application, Vol. 41, PP. 3691-3702.

-Palmer, Alfonso; Montano, Juan Jose & et al (2006), “Designing an Artificial Neural Network for Forecasting Tourism Time Series”, Tourism Management, Vol. 27, PP. 781-790.

-Sariisik, Mehmet, Turkay, Oguz & etal (2011), “How to Manage Yacht Tourism in Turkey: A Swot Analysis and Related Strategies”, 7th International Strategic Management Conference”, Procedia Social and Behavioral Sciences, Vol. 24, PP. 1014-1025. 

-Shahrabi, Jamal; Hadavandi, Esmaeil & et al (2013), “Developing a Hybrid Intelligent Model for Forcasting Problems: Case Study of Tourism Demand Time Series”, Knowledge–based Systems, Vol. 43, PP. 112-122.

-Song, Haiyan & Li. Gang (2008), “Tourism Demand Modeling and Forecasting- A Review of Recent Research”, Progress in Tourism Management, Vol. 29, PP. 203-220.

-The Ministry of culture and tourism (2014), http://www.kultur.gov.tr/EN,36570/statistics

-Turkish Statistical Institute (2014), www.turkstat.gov.tr.

UNWTO (2014) Tourism Highlights, 2014 edition, http://mkt.unwto.org.  

-Yu Chen. Kuan (2011), “Combining Linear and Nonlinear Model in Forecasting Tourism Demand”, Expert Systems with Applications, Vol. 38, PP. 10368-10376.

آمار
تعداد مشاهده مقاله: 173
تعداد دریافت فایل اصل مقاله: 182


Contact Us | Help & Support | Site Map

Journal Management System. Designed by sinaweb.