آمار
| تعداد نشریات | 31 |
| تعداد شماره‌ها | 677 |
| تعداد مقالات | 7,111 |
| تعداد مشاهده مقاله | 9,022,906 |
| تعداد دریافت فایل اصل مقاله | 8,333,353 |
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 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. | ||
| کلیدواژه‌ها | ||
| 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. | ||
| کلیدواژه‌ها [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: 199 تعداد دریافت فایل اصل مقاله: 258 |
||
