%0 Journal Article %A Farzin, Mohammadreza %A Afsar, Amir %A Dabir, Alireza %A Zandi, Ebtehal %T Hybrid modeling for forecasting domestic medical tourism demand in Tehran %J Journal of Health Administration %V 21 %N 74 %U http://jha.iums.ac.ir/article-1-2791-fa.html %R 10.29252/jha.21.74.51 %D 2019 %K Regression, Adaptive Neuro-Fuzzy Inference System (ANFIS), Support Vector Regression (SVR) Algorithm, Forecasting of Domestic Medical Tourism Demand, %X مقدمه:.یکی از مهمترین رویدادها در صنعت گردشگری هر کشور، میزان تقاضا برای یک محصول یا مقصد گردشگری و پیش بینی درست آن است. اما باید توجه داشت که فواصل و انحرافاتی بین مقادیر واقعی و پیش بینی وجود دارد. استفاده از روش‌های علمی و نوین در امر پیش بینی، باعث خواهد شد که نتایج حاصله به مراتب بیش از یک تخمین عینی به حقیقت نزدیک شوند که مقاله حاضر نیز همین هدف را در حوزه گردشگری پزشکی دنبال می‌کند. روش ها: در مرحله اول عوامل موثر بر تقاضای گردشگری پزشکی داخلی با استفاده از تکمیل پرسش نامه های مربوط به روش دلفی فازی و دیمتل فازی توسط ۳۱ نفر از خبرگان آشنا به این حوزه و پردازش توسط نرم افزار MATLAB۲۰۱۷aشناسایی شدند و پس از مشخص شدن تابع تقاضا و جمع آوری اطلاعات ماهیانه هر یک از عوامل موثر در بازه زمانی سال های ۱۳۸۱ تا ۱۳۹۴، سه مدل پیش بینی رگرسیون، شبکه عصبی فازی و الگوریتم SVR به صورت مجزا و ترکیبی برای این تابع در نرم افزار MATLAB اجرا و خطای پیش بینی هریک، اندازه گیری و با هم مقایسه شد. یافته ها: نتایج پژوهش حاضر نشان داد که تابع تقاضای گردشگری پزشکی داخلی شامل: عوامل اقتصادی (درآمد و ثروت افراد )، قیمت خدمات و هزینه زندگی در مقصد، قیمت تاسیسات اقامتی، وجود آلودگی هوا، قیمت محصولات جایگزین (سفر خارجی)، تعداد مراکز پزشکی، بیمارستان‌هاو آزمایشگاه‌ها است. نتیجه گیری: رویکرد ترکیبی رگرسیون چندگانه و الگوریتم SVR پیشنهادی نیز می تواند پیش بینی بهتری نسبت به سایر روش ها در خصوص پیش بینی گردشگری پزشکی داخلی داشته باشد. بنابراین، پیشنهاد می شودبه منظور کاهش میزان خطای پیش بینی جهت انجام برنامه ریزی های اصولی در حوزه تقاضای گردشگری پزشکی داخلی شهر تهران از این تابع تقاضا و مدل پیش بینی استفاده شود. واژه های کلیدی: شبکه عصبی فازی، الگوریتمSVR، پیش بینی تقاضای گردشگری پزشکی داخلی، تهران، مدل سازی %> http://jha.iums.ac.ir/article-1-2791-fa.pdf %P 51-64 %& 51 %! Hybrid Modeling for Forecasting of Domestic Medical Tourism Demand in Tehran %9 Research %L A-10-2412-2 %+ Allameh Tabatabai University ,Teharan, Iran %G eng %@ 2008-1200 %[ 2019