جلد 21، شماره 74 - ( 10-1397 )
جلد 21 شماره 74 صفحات 64-51 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Farzin M, Afsar A, Dabir A, Zandi E. Hybrid modeling for forecasting domestic medical tourism demand in Tehran. jha 2019; 21 (74) :51-64
URL: http://jha.iums.ac.ir/article-1-2791-fa.html
URL: http://jha.iums.ac.ir/article-1-2791-fa.html
فرزین محمدرضا، افسر امیر، دبیر علیرضا، زندی ابتهال. مدل سازی ترکیبی پیش بینی تقاضای گردشگری پزشکی داخلی شهر تهران. فصلنامه مدیریت سلامت. 1397; 21 (74) :51-64
محمدرضا فرزین 
1، امیر افسر2 ، علیرضا دبیر3 ، ابتهال زندی4
1، امیر افسر2 ، علیرضا دبیر3 ، ابتهال زندی4
1- دانشیار گروه مدیریت گردشگری، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی، تهران، ایران ، b_farzin@yahoo.com
2- دانشکده مدیریت، دانشگاه تربیت مدرس، تهران، ایران
3- دانشگاه علامه طباطبایی، تهران،
4- دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی تهران،
2- دانشکده مدیریت، دانشگاه تربیت مدرس، تهران، ایران
3- دانشگاه علامه طباطبایی، تهران،
4- دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی تهران،
چکیده: (5253 مشاهده)
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
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
واژه‌های کلیدی: رگرسیون، شبکه عصبی فازی، الگوریتم SVR، گردشگری پزشکی، پیش بینی تقاضای گردشگری پزشکی داخلی، شهر تهران.
نوع مقاله: پژوهشي |
دریافت: 1397/5/27 | پذیرش: 1397/11/3 | انتشار: 1397/11/3
دریافت: 1397/5/27 | پذیرش: 1397/11/3 | انتشار: 1397/11/3
فهرست منابع
1. Inskeep E. Tourism planning is an integrated and sustainable approach to tourism planning and development [Hasanpoor M and Daghestani S, trans]. Tehran: Mahkameh; 2004. [In Persian].
2. Khodayar Zarnagh R, Tourani S, Ghaderi A, Salehi M, Jafari H. Evaluation of the capabilities of selected educational hospitals of Tehran university of medical sciences in attracting medical tourists based on patient-centered standards of the joint international commission. Journal of Hospital.2010;3(4): 125-131. [In Persian].
3. Goodarzi M, Taghvaei M, Zangi Abadi A. Development of internal medicine tourism in Shiraz. Health Information Management Quarterly.2014; 11(4): 53-64. [In Persian].
4. Lohmann M. New Demand factors in tourism. Presented to the European Tourism Forum, Budapest.2004; 14(3):345-351.
5. Weng G, Li L. Study of tourism forecasting based on a seasonally adjusted particle swarm optimization-support vector regression model. JICS.2015; 12(7):2747-2757. [DOI:10.12733/jics20105860]
6. Shen S, Li G, Song H. Combination forecasts of international tourism demand. Annals of Tourism Research. 2011; 38(4): 72–89. [DOI:10.1016/j.annals.2010.05.003]
7. Song H, Turne L. Tourism demand forecasting. In: Dwyer L, Forsyth P, editors, International handbook on the economics of tourism. Cheltenham: Edward Elgar;2006. [DOI:10.4337/9781847201638.00010]
8. Claveria O, Torra A. Forecasting tourism demand to Catalonia: neural networks vs. Time Series Models, Economic Modeling.2014; 36(2):220-228. [DOI:10.1016/j.econmod.2013.09.024]
9. Can V. Modeling tourism demand, travel mode choice and destination loyalty [PhD thesis]. Norway: Faculty of Biosciences, Fisheries and Economics, Troms University Business School;2013.
10. Makridakis S, Hibon M. The M٣-competition: Results, conclusions and implications. IJF. 2000; 16(4):451-476.
11. Song H, Turne L. Tourism demand forecasting. In: Dwyer L, Forsyth P, editors, International handbook on the economics of tourism. Cheltenham: Edward Elgar.2006. [DOI:10.4337/9781847201638.00010]
12. Law R, Au N. A neural network model to forecast Japanese demand for travel to Hong Kong. Tourism Management journal. 1999; 20(12):89-97.
13. Cho V. A comparison of three different approaches to tourist arrival forecasting. Tourism Management journal.2003; 24(12): 323–330. [DOI:10.1016/S0261-5177(02)00068-7]
14. Palmer A, Jose Montano J, Sese A. Designing an artificial neural network for forecasting tourism time series. Tourism Management journal. 2006; 27(4):781-790. [DOI:10.1016/j.tourman.2005.05.006]
15. Yepremian G. Forecasting tourism demand in Japon, International journal of forecasting.2005; 12(3):447-75.
16. Chen K, Wang C. Support vector regression with genetic algorithms in forecasting tourism demand. Tourism Management journal.2007; 28(2): 215–216.
17. Pai P, Hong W, Chang P, Chen T. The application of support vector machines to forecast tourist arrivals in Barbados: an empirical study. IJM. 2006; 23(9): 375–385.
18. Shen S, Li G, Song H. Combination forecasts of international tourism demand. Annals of Tourism Research .2011; 38(4): 72–89 [DOI:10.1016/j.annals.2010.05.003]
19. Akin M. A novel approach to model selection in tourism demand modeling. Tourism Management journal.2015; 48(9):112-125.
20. Cheng C, Lin Y. Evaluating the best main battle tank using fuzzy decision theory with linguistic criteria evaluation European. IJOR. 2002; 142(4): 147-186.
21. Rostamzadeh R, Sofian S. Prioritizing effective 7 Ms to improve production systems performance using fuzzy AHP and fuzzy Topsis (case study), Expert system with Applications.2011; 38(12); 5166-5177. [DOI:10.1016/j.eswa.2010.10.045]
22. Line S. A passion for oysters: the art of eating and enjoying. Reed International. 2010; 32(4):77-81.
23. Fahimifard M, Salarpur M, Soboohi M. Comparison of neuro-fuzzy model forecast prediction with neural network model and ARIMA self-regression, case study: Weekly Egg Prices.JAED. 2012; 32(74) : 138-145. [In Persian].
24. Alvani M, Mirshfi N. Production management. Mashhad: astan quds razavi Publishing House; 2000.[In Persian].
25. Vapnik V. The nature of statistical learning theory. New York: Springer;1995. [DOI:10.1007/978-1-4757-2440-0]
26. Helaly H, El-Shishiny H. An econometric forecasting model for tourism demand in Egypt. Proceedings of the Eurochrie Conference;2002.p. 651-661.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
