Спрос в туризме

.

Таким же образом рассчитываются прогнозы на субботу, воскресенье и понедельник:

,

,

.

И в результате мы получаем таблицу 1:

Таблица 1 - Прогнозные значения

t	1	2	3	4	5	6	7	8
x	10	6	5	11	9	8	7	-
f	-	-	-	7	7,33	8,33	9,33	8

Для общего случая формула выглядит так:

,

Или ,(1)

Где - реальное значение показателя на момент времени , N - число предшествующих моментов времени, используемых при расчете, - прогноз на момент времени tk.

Замечание. В рассматриваемом примере N=3.

Метод взвешенного подвижного (скользящего) среднего. При составлении прогноза посредством усреднения зачастую наблюдается, что используемые при расчете реальных показателей имеют разное влияние, при этом обычно наиболее свежие данные имеют больший вес.

Математически данный метод можно записать так:

где xk-i - реальное значение показателя на момент времени tk-i,

N - число предшествующих моментов времени, используемых при расчете,

fk - прогноз на момент времени tk,

wk-i - вес, с которым используется показатель xk-i при расчете.

Замечание. Вес - это всегда положительное число. В случае, когда все веса одинаковы, мы получаем формулу (1).

Метод экспоненциального сглаживания

Привязанность наивных прогнозов к единственному наблюдению (за последний период времени или за последний соответствующий сезон) можно рассматривать как серьёзный недостаток. Устранить его несложно - можно рассчитать предсказываемое значение как среднее за некоторый период, при этом разумно более поздним наблюдениям придавать больший вес. На этом основан второй универсальный подход - экспоненциальное сглаживание (Exponential Smoothing, ES), приобретший известность после основополагающих работ (Brown, 1956), (Holt, 1957), (Winters, 1960). В настоящий момент существует множество моделей на основе экспоненциального сглаживания, которые позволяют учитывать разные виды сезонности и тренда. Их привлекательное качество - адаптивность, способность подстраиваться под изменяющиеся тенденции. И тренд, и сезонные колебания могут значительно варьироваться на протяжении анализируемого периода, прогнозы будут построены с учётом этих изменений, при этом не опираясь всецело на последние наблюдения как в случае наивных методов. Разработаны робастные подходы к прогнозированию в случае наличия нетипичных, выбивающихся из общей массы наблюдений (Gelper, Fried, Croux, 2010), хотя широкого распространения они пока не получили.

Экспоненциальное сглаживание - довольно простой и весьма «экономный» метод. Так, один из наиболее известных ES-методов - метод Хольта-Винтерса - описывается всего тремя параметрами, задающими скорость адаптации модельных значений временного ряда к изменениям среднего уровня прогнозируемого показателя, тренда и сезонности. Для оценивания этих параметров необходимо иметь квартальные или месячные данные за несколько лет.

Есть свидетельства, что экспоненциальное сглаживание занимает одно из лидирующих мест по точности прогнозирования туристских потоков. “Exponential smoothing yields the most accurate forecasts of trend changes”, - вот один из выводов классической работы по сравнительному анализу прогнозных качеств различных подходов (Witt, & Witt, 1995, p. 469). Исследуя динамику туристских прибытий в Индию, К. Бхаттачарья обнаружил, что экспоненциальное сглаживание даёт наиболее точный прогноз по трём критериям точности из пяти, еле заметно уступая по оставшимся двум критериям моделям ARIMA, о которых речь пойдёт ниже (Bhattacharya, 2011). Конкурентами, кроме моделей ARIMA, выступали наивные методы, авторегрессионные модели распределённых лагов (ADL) и регрессия с переменными-индикаторами сезонности. Более скромная, но всё же высокая оценка точности экспоненциального сглаживания была получена в работе (Athanasoupulos et al., 2009).

При расчете прогнозов методом методом экспоненциального сглаживания учитывается отклонение предыдущего прогноза от реального показателя, а сам расчет производится по следующей формуле:

Где xk-1 - реальное значение показателя в момент времени tk-1,

fk - прогноз на момент времени tk,

б - постоянная сглаживания.

Замечание. Значение постоянной б, подчиненной условию 0 < б < 1, определяет степень сглаживания и обычно выбирается универсальным методом проб и ошибок.

Метод Хольта

Хольт изучал модель простого экспоненциального сглаживания и, как результат, добавил в нее тренд.

Метод Хольта применяется при прогнозировании временных рядов, в которых имеется тенденция к росту/падению значений изучаемого временного ряда, а ткаже для таких рядов, в которых данные имеются за неполный цикл или невозможно выделить сезонность. Если выделяется тенденция к росту/падению, целесообразно выделить тренд. В модели Хольта используются коэффициент сглаживания ряда и коэффициент тренда.

После определения экспоненциально-сглаженного ряда и определения значения тренда, рассчитывается непосредственно прогноз по методу Хольта, который можно выразить в виде следующей формулы:

где - прогноз, очищенный от тренда (по сути экспоненциальное сглаживание), - параметр линейного тренда.

;

;

Важной проблемой является выбор коэффициентов , которые определяют чувствительность модели. Чувствительная модель быстро реагирует на реальные изменения, а нечувствительная не реагирует на шум и случайные отклонения. Проблема выбора параметров модели рассмотрена в книге Лукашина.

2.3 Тета-метод, ARIMA

Тета-метод

Метод основан на концепции преобразования временного ряда с помощью некоторого коэффициента «Тета» (греческая буква ). Полученные ряды поддерживают среднее значение и тенеденцию исходных данных, а не их отклонения. Такие ряды называются Тета-рядами, или Тета-линиями. Их основной качественной характеристикой является усовершенствование адекватности долгосрочной тенденции данных или увеличение краткосрочных характеристик, в зависимости от значения коэффициента Тета. При применении данной модели исходный временной ряд представляется в виде двух и более Тета-рядов. Прогноз делается отдельно для каждого ряда, а итоговый прогноз - усредненное значение полученных значений (V. Assimakopoulos*, K. Nikolopoulos).

Комбинирование прогнозных значений с учетом определенных факторов увеличивает точность прогнозного значения (Clemen, 1989). Причиной тому является усреднение ошибочных значений для каждого использованного метода. В каждой модели присутствует определенная логика поведения значений, более или менее гибкая для разных способов, которая экстраполируется в будущее. Поэтому Тета-метод является альтернативным способом разложения и/или дополнения к концепции комбинирования.

Основа модели - концепция модификации локальных искривлений временного ряда. Эти искривления выражаются с помощью коэффициента Тета:

,

Где .

Если искривления ряда постепенно уменьшаются, то временной ряд постепенно снижается (рис.5)



Рис.5 Разложение временного ряда.

Меньшее значение Тета-коэффициента соответствует большему уровню дефляции. В крайнем случае, когда =0, временной ряд превращается в линейный тренд. Постепенный спад колебаний снижает абсолютную величину разниц между последовательными периодами полученного ряда и относятся, в количественном отношении, к возникшему долгосрочному тренду данных (Assimakopoulos, 1995).

У -коэффициента также могут быть и отрицательные значения, однако они не представляют никакого интереса в данном случае, поэтому в дальнейшем не будут рассмотрены.

Если искривления возрастают (>1), то временной ряд расширяется, как показано на рисунке 6.

Рис.6 Тета-модель



Следуя вышеуказанному, строятся новые временные ряды, которые называются Тета-рядами. Положение полученных рядов относительно исходных данных может быть различным. При подгонке линейного тренда методом наименьших квадратов тренды для разных Тета-линий совпадают.

Общая формулировка изучаемого метода:

Исходный временной ряд декомпозируется на два или более Тета-ряда. Каждый из этих рядов экстраполируется обособленно, а прогнозы попросту комбинируются. Любой метод прогнозирования может быть использован для экстраполяции Тета-ряда, согласно предыдущему опыту (Fildes, Hibon, Makridakis & Meade, 1998). Различные комбинации Тета-рядов могут быть использованы для каждого горизонта прогнозирования.

Это хорошо демонстрируется при изучении простейшего случая, в котором оригинальный временной ряд раскладывается на два Тета-ряда, например при =0 и =2:

Y=1/2(L(=0)+L(=2)),

где L(=0) означает Тета Ряд для параметра, равного 0.

Первый Тета-ряд(=0) является линейной регрессией исходных данных, а конечные разности второго ряда ровно в два раза больше исследуемого временного ряда. Данный случай является примпером, когда составляются два экстремальных и симметричных 1 Тета-ряда. Первый компонент L(=0) описывает временной ряд с помощью линейного тренда. Второй - L(=2) удваивает значения искривлений в краткосрочной перспективе.



Рис. 7. Прогноз Тета-методом.

Первый Тета-ряд описывается с помощью простого линейного тренда, в то время как второй экстраполируется посредвом простого экспоненциального сглаживания. Среднее арифметическое полученных значений является окончательным результатом прогнозирования изучаемого временного ряда с помощью Тета-модели (рисунок 7).

Резюмируя, выделим основные этапы прогнозирования с помощью Тета-модели:

(сезонная составляющая). Для начала изучаемый временной ряд анализируется на наличие сезонной составляющей. Критерием является t-тест для автокорреляционной функции (этот этап имеет место, когда имеются ежемесячные данные).

(декомпозиция). Временной ряд раскладывается на два Тета-ряда: линейной регрессии при =0 и Тета-ряд при =2.

(экстраполяция). Линейная регрессия экстраполируется простым путем, в то время как второй ряд - с помощью экспоненциального сглаживания.

(комбинирование). Прогнозные значения составляются с помощью простого арифметического среднего полученных в пункте 3 значений.

Оценка метода.

Важной особенностью этого метода является декомпозиция исходных данных. Два компонента включают в себя информацию, которая полезна для прогнозирования, однако потеряна или не может быть полностью учитана существующими методами прогнозирования спроса. Тенденция особенно понятна при =0. Прямая линия включает в себя информацию для долгосрочного тренда некоторых временных рядов, которые пренебрегаются при попытке учесть более свежие тенденции. С другой стороны, когда используется только линейный тренд, игнорируется вся ценная информация о краткосрочных изменениях.

При прогнозировании спроса Тета-методом долгосрочный тренд включается посредством компонента L(=0) и экстраполяция является прямой. На ряду с этим, наличие L(=2) создает контрбаланс простоте использования простой модели линейного тренда. Компонент L(=2) увеличивает кривизну данных и увеличивает значение последних тенденций, чтобы средняя двух Тета-линий совпадала с исходным рядом. Так как экстраполяция L(=2) горизонтальная, прогноз сохраняет заниженное, но постоянное значение долгосрочного тренда.

ARIMA

В ходе исследования динамики туристских прибытий в Индию, К. Бхаттачарья обнаружил, что экспоненциальное сглаживание наиболее точно прогнозирует по трём критериям точности из пяти, немного уступая по оставшимся двум критериям моделям ARIMA (Bhattacharya, 2011). Конкурентами, помимо моделей ARIMA, выступают наивные методы, регрессия с переменными-индикаторами сезонности и авторегрессионные модели распределённых лагов (ADL). Более скромная, однако высокая оценка точности экспоненциального сглаживания получена в работе (Athanasoupulos et al., 2009).

Пожалуй, самый популярный подход к прогнозированию временных рядов среди эконометристов - использование методологии Бокса-Дженкинса (Box, Jenkins, 1970), которая основана на авторегрессионных моделях интегрированного скользящего среднего (ARIMA), а так же их варианте с учётом сезонности - SARIMA. Данная методология опирается на теорию случайных процессов и сложные статистические процедуры. Краткое описание сути можно найти в книге (Тюрин, Макаров, 2002), вариант для более подкованного в математике читателя - (Канторович, 2002a, 2002b).

Модели ARIMA показывают свою практическую ценность в очень широком спектре приложений, прогнозирование туристских потоков - не исключение. Кроме уже приведённого выше результата Бхаттачарьи, сильное свидетельство в пользу подхода Бокса-Дженкинса даёт исследование (Song et al., 2013): “Over all of the forecasting horizons examined, the TVP, naпve no-change and SARIMA models are always ranked the top three among the competition” TVP - модель с изменяющимися во времени параметрами (Time-Varying Parameters model), многомерная регрессионная модель. Экспоненциальное сглаживание в указанном исследовании не рассматривалось. (p.301). С.Ф. Витт и К.А. Витт приходят к выводу, что наивный прогноз и авторегрессия (частный случай ARIMA) - лучший выбор с точки зрения близости прогнозируемого показателя к реальным значениям:

«The implications of this result for the practitioner seem to be that he/she should ignore the more complicated, costly and time-consuming forecasting methods and just use last year's demand as the forecast for this year <…>. When looking two years ahead, the practitioner may <…> build an autoregressive model to use for forecasting, as this method consistently performed relatively better over the two-year horizon than any other method» (Witt, Witt, 1995, p. 469).

Помимо хороших прогнозных качеств, модели Бокса-Дженкинса привлекательны для эконометристов тем, что могут быть обобщены для многомерного анализа (позволяют учитывать дополнительные переменные, помимо динамики самого прогнозируемого показателя) и имеют вероятностный характер, что позволяет применять по отношению к ним стандартные для эконометрики процедуры проверки гипотез и построения доверительных интервалов.

Примерами ранних работ с применением экспоненциального сглаживания и подхода Бокса-Дженкинса для прогнозирования туристских потоков служат статьи (Geurts, Ibrahim, 1975) и (Geurts et al., 1976). За прошедшие десятилетия были разработаны различные версии этих моделей и статистические процедуры для выбора лучшей модели из классов ARIMA/SARIMA, но основы остались практически неизменными. Примеры более поздних исследований - (Lim, McAleer, 2001), (Petrevska, 2012), (Bigoviж, 2012), (Balaeva et al., 2012). Из них первые три работы полностью опираются на модели Бокса-Дженкинса, а в последней используется также и экспоненциальное сглаживание.

Несмотря на неоспоримую практическую значимость одномерных моделей, их польза с академической точки зрения весьма ограничена. Не опираясь на какие-либо теоретические соображения и не учитывая суть моделируемых процессов, они приводят к результатам, не несущим никакой информации об этой сути, не проясняющим те экономические механизмы, что регулируют рынок туристских благ.

2.4 Оценка точности прогнозирования, сравнение моделей

Когда прогнозные расчеты уже произведены, необходимо проверить точность прогнозов. Существует абсолютная и относительная верификация значений. Абсолютная верификация возможна только при сопоставлении полученных значений реальным данным прошлых периодов. Чем ближе полученные прогнозы к реальным данным, тем достовернее способ прогнозирования в данной ситуации.

Точность прогноза оценивается по величине погрешности прогноза, т.е. по разности между прогнозируемым и реальным значением исследуемой переменной. Подобную оценку возможно получить только в том случае, если прогнозируемый период уже завершился и нам известны реальные значения.

абсолютная ошибка

Среди используемых оценок ошибок прогнозирования выделяются две, которые на сегодняшний день являются наиболее популярными: MAE и MAPE. Формулы для оценок данных ошибок прогнозирования временных рядов для N отчетов можно записать в следующем виде.

2. MAPE - средняя абсолютная ошибка в процентах

Данная оценка имеет место при оценке временных рядов, реальные значения которых значительно больше 1. К примеру, оценки ошибки прогнозирования потребления энергии во многих исследованиях приводятся как значения MAPE.

В случае, когда фактические значения временного ряда близки к 0, в знаменателе оказывается очень маленькое число, что делает значение MAPE приближенным к бесконечности, а это не совсем корректно. Для таких рядов применяют оценку ошибки прогноза МАЕ.

3. MAE - средняя абсолютная ошибка

После того, как рассчитаны значения для MAPE и/или MAE, в исследованиях обычно пишут: «Прогнозирование временного ряда с часовым разрешением проводилось на интервале с 01.01.2001 до 31.12.2001 (общее количество отсчетов N ~ 8500). Для данного прогноза значение MAPE = 1.5%». При этом можно сделать обобщенный вывод об ошибке прогнозирования, для которого MAPE обычно колеблется от 1 до 5%; или об ошибке прогнозирования, для которого MAPE колеблется от 5 до 15% в зависимости от периода и рынка. Посредством МАРЕ можно сделать относительный вывод о достоверности используемого способа прогнозирования.

Кроме указанных ошибок иногда используются и другие оценки ошибки.

4. MSE - среднеквадратичная ошибка

5. RMSE - квадратный корень из среднеквадратичной ошибки

6. ME - средняя ошибка

7. SD - стандартное отклонение

, где

ME - есть средняя ошибка, определенная по формуле выше.

Точность прогнозирования является понятием прямо противоположным ошибке прогнозирования. Если ошибка прогнозирования имеет большое значение, то точность прогноза маленькая и наоборот, чем меньше ошибка прогноза, тем выше точность прогнозирования. По сути оценка ошибки прогноза MAPE - обратная величина точности прогноза -- зависимость здесь простая.

Точность прогноза определяется в %. При этом величина MAPE - количественная оценка ошибки, и эта величина нам ясно говорит и о точности прогнозирования, исходя из приведенной выше простой формулы.



Глава 3. Эмпирическая оценка и анализ

3.1 Прогнозирование в SPSS Statistics

Пакет SPSS в настоящее время является одним из лидеров среди универсальных статистических пакетов. Данная программа предлагает полный набор инструментов, которые обеспечивают эффективную работу на каждом этапе аналитического процесса - начиная с планирования и заканчивая управлением данными, анализом данных и представлением результатов.

Программное обеспечение SPSS дает возможность:

Организовывать простой доступ к данным;

Эффективно осуществлять сбор и ввод данных;

Эффективно управлять данными;

Использовать разные статистические процедуры для проведения анализа данных, а также строить более точные модели;

Публиковать результаты в Интернете;

Наглядно представлять результаты тем.

Для прогнозирования количественных данных в системе SPSS можно использовать следующие процедуры:

Линейная регрессия (доступна в SPSS Base) - изучение взаимосвязей предикторов и прогнозируемой переменной. К примеру, прогнозирование продаж, в основе которых лежат данные о ценах и доходе покупателей.

Регрессия основанная на взвешенном методе наименьших квадратов (доступна в SPSS Regression Models) - применяется, когда дисперсия независимой переменной непостоянна в генеральной совокупности.

Двухэтапный метод наименьших квадратов (доступен в SPSS Regression Models) - применяется, когда предиктор оказывает влияние на прогнозируемую переменную и наоборот.

Анализ выживаемости - такая оценка распределения временных интервалов двух событий, как например, временных интервалов начиная с момента привлечения клиента и заканчивая моментом ухода клиента к конкурентам.

Мощным инструментом для анализа временных рядов и прогнозирования считается модуль SPSS Trends. Анный модуль позволяет анализировать информацию прошлого и предсказывать будущее.

С помощью SPSS Trends можно воспользоваться следующими процедурами оценивания:

Процедуры для обработки сезонных составляющих;

Анализ Бокса-Дженкинса для несезонных и одномерных моделей;

Различные регрессионные методы;

Оценка в 12 различных моделях экспоненциального сглаживания (до четырех параметров);

Разложение временных рядов на составляющие.

Каждый этап построения модели в SPSS Trends позволяет воспользоваться альтернативными методами. Для того, чтобы оценить степень адекватности модели в SPSS Trends, строятся статистики и нормальные вероятностные графики. Адекватность моделей оценивается при помощи стандартных ошибок и других статистик, которые вычисляются автоматически.

SPSS Statistics обладает целым рядом графических возможностей, которые позволяют визуально оценить полученные количественные результаты анализа и прогноза данных. Типы диаграмм:

Диаграммы для контроля качества (в том числе диаграммы Парето, Х-среднего и Сигма).

Категориальные диаграммы (в том числе несколько типов линий, столбиков, кругов, областей и ящиков).

Диаграммы и гистограммы рассеяния (в том числе перекрывающиеся, матричные и трехмерные).

Вероятностные графики (в том числе графики наблюденных и ожидаемых значений).

Диагностические и исследовательские графики (в том числе графики временных рядов и графики по наблюдениям).

Графики кросс-корреляционной функции (в том числе преобразование с помощью натурального логарифмирования, а также сезонное и несезонное дифференцирование).

Графики автокорреляционной и частной автокорреляционной функции (в том числе сезонное и несезонное дифференцирование и преобразование натурального логарифма).

Система презентационной графики SPSS дает возможность без лишних усилий создавать диаграммы, которые наилучшим образом описывают результаты анализа. Кроме того, в программе можно редактировать созданные диаграммы для более тонкой настройки. Системой презентационной графики легко пользоваться при работе в производственном режиме.

3.2 Данные и переменные

Задачей настоящего исследования является определить оптимальное комбинирование методов прогнозирования при прогнозировании спроса в туризме.

Метод решения задачи комбинирования краткосрочных и долгосрочных методов прогнозирования при прогнозировании туристского спроса включает в себя последовательное выполнение следующих этапов:

Программа исследования, или предпрогнозная ориентация. На этом этапе происходит формулировка задания для исследования (масштабы, период, объект и т.п.), а также целей и задач, проблемы, предмета исследования.

Построение базы для проведения прогнозирования.

Сбор данных.

Построение динамических рядов показателей.

Построение серии моделей прогнозируемого объекта.

Оценка точности использованных методов.

Выработка рекомендаций для принятия решений.

Экспертное обсуждение прогноза.

Для данной работы в качестве переменных рассматривались статистические данные количества прибытий и выбытий туристов различных стран на основе данных World Bank. В этой базе данных имеется статистическая информация интересующих нас переменных с 1995 по 2013 год.

В данном исследовании было решено выбрать те данные, которые соответствуют критериям:

наибольшие средние значения по количеству прибывших и выбывших туристов;

полнота данных (исключение стран, у которых отсутствует хотя бы одно значение).

При этом, анализируемые страны по выездам отличаются от стран по въездам.

Таким образом, анализ методов прогнозирования строился на основе данных о количестве прибывших и выбывших туристов 30 стран.

Таблица 2 - Перечень анализируемых стран

Количество въездов	Количество въездов
Франция, США, Испания, Китай, Италия, Турция, Германия, Великобритания, Россия, Таиланд, Малайзия, Австрия, Украина, Мексика, Греция, Канада, Польша, Макао*, Нидерланды, Корея, Сингапур, Хорватия, Япония, Марокко, Южная Африка, Египет, Бахрейн, Дания, Ирландия, Португалия	США, Великобритания, Польша, Китай, Россия, Канада, Франция, Япония, Нидерланды, Гондурас, Украина, Швеция, Мексика, Корея, Румыния, Индия, Испания, Финляндия, Турция, Сингапур, Ирландия, Австрия, Аргентина, Бразилия, Болгария, Израиль, Таиланд, Марокко, Джордан*

Названия стран были сокращены до кодов страны (Country Code), которые используются World Bank. Перечень кодов стран представлен в приложении 1.

На рисунке 8 представлен график динамики количества въездов некоторых из анализируемых стран (млн. чел.). Очевидна тенденция роста показателя с небольшими колебаниями для многих стран, кроме Канады, в которой отмечается постепенный спад изучаемой переменной. Показатель количества выехавших туристов (рисунок 8а) так же постепенно возрастает для большинства проанализированных стран. Наблюдается тенденция снижения показателя за последние периоды для некоторых стран.

Рис. 8. Въезды, исходные данные



Рис. 8а. Выезды, исходные данные

Для оценки основных методов прогнозирования нами был произведен прогноз туристских потоков. В настоящем исследовании проводился анализ следующих методов прогнозирования:

наивный метод;

линейный тренд;

простое экспоненциальное сглаживание;

метод Хольта;

тета-метод;

комбинация линейного тренда и простого экспоненциального сглаживания;

комбинация линейного тренда и метода Хольта.

3.3 Результаты

Для каждого временного ряда была построена простая линейная регрессия (рисунок 9)

На рисунке представлен пример построения линейной регрессии. В данном случае линейный тренд построен для данных по въездам во Францию за период с 1995 по 2013гг.

Рис. 9. Линейный тренд

Далее, с помощью SPSS рассчитаны модели простого экспоненциального сглаживания и модель Хольта.

Рис. 10. модель Хольта SPSS (Корея)

Прогнозирование вышеуказанными методами производилось в SPSS Statistics. Комбинация прогнозов была рассчитана путем простого усреднения полученных результатов для отдельных прогнозов. Примеры расчетов приведены в приложении 2.

Прогнозные значения были составлены для последних трех периодов, а именно с 2011 по 2013гг. Полученные результаты для каждого метода были сопоставлены с реальными имеющимися данными по туристским потокам. Кроме того, для каждого метода были рассчитаны ошибки прогнозирования МАЕ, RMSE и МАРЕ, на основе которых были сделаны выводы о точности выбранных методов. Результаты оценки методов представлены в таблицах 1 и 2.

Таблица 3 - Результаты оценки прогнозов (въезды)

Country_ code	Naive	Linear	Exp_sim	Exp_H	Тета-метод	Lin+Exp_H
FRA
USA
ESP
CHN
ITA
TUR
DEU
GBR
RUS
THA
MYS
AUT
UKR
MEX
GRC
CAN
POL
MAC
NLD
KOR
SGP
HRV
JPN
MAR
ZAF
EGY
BHR
DNK
IRL
PRT
	4	11	1	5	0	9

Таблица 4 - Результаты оценки прогнозов (въезды)

Country_ code	Naive	Linear	Exp_sim	Exp_H	Тета-метод	Lin+Exp_H
USA
GBR
POL
CHN
RUS
CAN
FRA
JPN
NLD
HUN
UKR
SWE
MEX
SAS
KOR
ROU
IND
ESP
FIN
TUR
SGP
IRL
AUS
ARG
BRA
BGR
ISR
THA
MAR
JOR
	3	3	5	16	2	1

При расчете ошибок прогнозирование наблюдается однородность результатов, т.е. для практически каждой страны наиболее точный прогноз определяется всеми используемыми методами расчета ошибок.

Судя по результатам прогнозирования, комбинированные методы не проявили себя как наиболее точные. Лучше всего себя проявили метод Хольта, а так же простой линейный тренд. В настоящее время линейный тренд не считается достаточно точным методом, однако в данном случае он показывает наименьшую ошибку прогнозирования.

Большинство изученных исследований показывают, что комбинированные методы дают наиболее точный результат при прогнозировании. Однако, в данной магистерской диссертации получен вывод, что комбинирование в прогнозировании далеко не всегда дает более точный результат. Поэтому данная тема требует более детального изучения, развития и исследования. Необходимо создать более общую модель, которая могла бы учитывать больше нюансов.



Заключение

Итак, подводя итог, следует отметить, что по прогнозам экспертов и специалистов данной области и в наступающем третьем тысячелетии рост туристской индустрии будет необратим, наряду, с чем быстрые темпы развития изучаемой отрасли в мировой экономике будут сохраняться. Это обуславливается тем, что человеческое общество на данном этапе своего развития перешло из общества производительности и благосостояния в «общество свобoдного времени», в связи с чем путешествия и туризм для большей части населения нашей планеты являются важными категориями, незаменимыми и неотъемлемыми от первостепенных условий жизни, (Артеменко В.Г., Беллиндир М.В., 1999).

Более того, спрос на туристские услуги будет претерпевать изменения, что вызвано появлением потребителя нового типа на туристском рынке. Турист будущего oчень требователен и приверeдлив, высоко информирован и образован, мобилен и индивидуален, он стремится к новым ощущениям и впечатлениям, (Абрютина М.С., Грачев А.В., 1998).

В работе были рассмотрены основные методы изучения и анализа спроса, а также особенности формирования спроса туристских услуг.

Материал второй главы дает полное представление об арсенале количественных методов в упорядоченном виде.

Пункты 2.2 и 2.3 помогают разобраться в количественных методах анализа спроса и их применении для принятия управленческих решений.

В заключение второй главы рассмотрены методы оценки полученных количественных характеристик.

Были проведены эмпирическая оценка и анализ. Для начала были изучены возможности прогнозирования в SPSS. Далее описаны исходные данные и переменные, а также построено поэтапное планирование предстоящего анализа. С помощью основных методов прогнозирования дается оценка значений в последних трех периодах, а затем полученные значения сравниваются и изучаются на предмет ошибок, чтобы в дальнейшем определить какие методы дают наиболее точный результат.

Итак, туризм XXI века - это, в первую очередь, туризм, ориентированный на клиента, как потребителя туристских услуг и товаров. Бизнес, основанный на знаниях международных правовых норм и правил, туристского маркетинга и менеджмента, конъюнктуры туристского рынка, а также на полном и всестороннем знании потребностей и запросов путешественника, обречен на успешность и прибыльность. Речь идет о компетентности и профессионализме в организации производства, продвижения и реализации туристских продуктов и услуг, (Карпова Г. А., Воронцова М. Г., 1998).

На основе проделанной работы можно сделать общий вывод о том, что данная тема требует дальнейшего изучения и разработки, а так же построения общей модели. Результат анализа данных в настоящей магистерской диссертации отвергает мнение большинства исследователей о том, что комбинированные методы прогнозирования дают наиболее точную оценку.



Список литературы

1. Абрютина М.С., Грачев А.В. Анализ финансово-экономической деятельности предприятия. - М.:ДИС, 1998.

2. Артеменко В.Г., Беллиндир М.В. Финансовый анализ: Учебное пособие. - М.:ДИС, НГАЭиУ, 1999.

3. Баканов М.И., Шеремет А.Д. Теория экономического анализа. - М.: ФиС, 1997.

4. Грачев А.В. Анализ и укрепление финансовой устойчивости предприятия. - М.:ДИС., 2002.

5. Друри К. Управленческий и производственный учет: Пер с англ Учебник - М: ЮНИТИ-ДАНА, 2003.

6. Дурович А.П., Копанев А.С. Маркетинг в туризме. - М.: «Экономпресс», 1998.

7. Иванов Н.Ю. Анализ безубыточности производства: теория и практика: Учебное пособие. - Киев: Либра, 2002.

8. Карпова Г. А., Воронцова М. Г. Экономика современного туризма. - М.: «Герда», 1998.

9. Квартальнов В.А. Туризм. - М.: Финансы и статистика, 2002.

10. Квартальцев В.А. Стратегический маркетинг в туризме. - М.: «Финансы и статистика», 1999.

11. Клейнер Г.Б. и др. Предприятие в нестабильной экономической среде: риски, стратегии, безопасность / Г.Б. Клейнер, В.Л. Тамбовцев, Р.М. Качалов; Под общ ред С.А. Панова. - М: ОАО "Изд-во Экономика", 1997.

12. Ковалев В.В. Финансовый анализ. -- М. :ФиС, 1996.

13. Ковалев В.В. Финансовый анализ: методы и процедуры. - М.: ФиС, 2002.

14. Любушин Н.П., Лещева В.Б., Дьякова В.Г. Анализ финансово-экономической деятельности предприятия: Учеб. Пособие для вузов. - М. :ЮГИТИ-ДАНА, 2000.

15. Моляков Д.С., Шохин А.С. Теория финансов предприятий. М - 2000.

16. Никифорова Н.А. Анализ и мониторинг хозяйственной конъюнктуры. - М, 1998.

17. Нэгл Т.Т., Холден Р.К. Стратегия и тактика ценообразования. - СПб: Питер, 2001.

18. Папирян Г.А. Маркетинг в туризме. - М.: «Финансы и статистика», 2001.

19. Папирян Г.А. Международные экономические отношения. Экономика туризма. - М.: Финансы и статистика, 2000.

20. Папирян Г. А. Экономика туризма. - М.: «Финансы и статистика», 2000.

21. Пузакова Е. П., Честникова В. А. международный туристский бизнес. - М.: «Экспресс бюро - М.», 1997.

22. Сапрунова В. Б. Туризм: эволюция, структура, маркетинг. - М.: «Ось-89», 1997.

23. Сенин В.С. Введение в туризм - учебное пособие. - М.: «Финансы и статистика», 1993.

24. Сенин В.С. Организация международного туризма - учебник. - М.: «Финансы и статистика», 2003.

25. Тренев Н.Н. Управление финансами. - М.: ФиС, 2002.

26. Тулиев Н. А., Кулагина Е. В. Введение в специальность (Туризм) - учебное пособие. - Омский государственный институт сервиса, 2002.

27. Управленческий учет: Учебное пособие/Под редакцией А.Д. Шеремета. - М.: ИД ФБК-ПРЕСС, 2000.

28. Шикин Е.В., Чхартишвилли А.Г. Математические методы и модели в управлении. - М.: «Дело», 2004.

29. Ястремский О И, Гриценко О Г Основы микроэкономики: Учебник - М.: Знание, 1998.

30. Assimakopoulos, V., Nikolopoulos, K. (2000). The theta model: a decomposition approach to forecasting. International Journal of Forecasting 16 (4): 521-530.

31. Athanasopoulos, G., Hyndman, R.J., Song H., and Wu D.C. The tourism forecasting competition. Monash Econometric and Business Statistics Working Papers 10/08 (2009): 1-35.

32. Bhattacharya, K. (2011). Role of rules of thumb in forecasting foreign tourist arrival: a case study of India. MPRA Paper series, 28515, 1-14.

33. Biederman, P.S. (2008), Travel and tourism: an industry primer, Pearson Education, New Jersey.

34. Brockwell, P.J. and Davis, R.A. (2002), Introduction to time series and forecasting, Springer, New York.

35. Brockwell, P.J. and Davis, R.A. (2006), Time series: theory and methods, Springer, New York. Cho, V. (2003), “A comparison of three different approaches to tourist arrival forecasting”, Tourism Management, Vol. 24, No. 3, pp. 323-330.

36. Clements, M.P. and Hendry, D.F. (2004), A companion to economic forecasting, Blackwell Publishing, Oxford. Economic policy of Montenegro for 2011 (2011), Government of Montenegro, Podgorica.

37. Frechtling D.C. (2001), Forecasting tourism demand: methods and strategies, Butterworth-Heinemann, Oxford. Gujarati, D.N. and Porter, D.C. (2009), Basic econometrics, McGraw Hill, New York.

38. Hyndman, R.J., Billah, B. (2003). Unmasking the Theta Method. International Journal of Forecasting, 19(2): 287-290.

39. Kovac?icм, Z. (1995), Analiza vremenskih serija, Ekonomski fakultet Beograd, Beograd. Li, G. et al. (2006), “Forecasting tourism demand using econometric models“, in Buhalis, D. and Costa, C.

40. Makridakis, S. et al. (1998), Forecasting: methods and applications, John Wiley & Sons, New York.

41. Makridakis, S.; Hibon, M. (2000). The M-3 Competition: results, conclusions, and implications. International Journal of Forecasting, 16(4): 451-476.

42. Mills, T.C. (1990), Time series techniques for economists, Cambridge University Press, Cambridge.

43. Mladenovicм, Z. and Nojkovicм, A. (2008), Analiza vremenskih serija: primeri iz srpske privrede, CID, Beograd. Montenegro tourism development strategy to 2020 (2008), Ministry of tourism and environment, Podgorica.

44. Newbold P. (1995). Statistics for Business and Economics. - London, Prentice-Hall, Ed.4.

45. Nikolopoulos, K., Assimakopoulos, V., Bougioukos, N., Akrivi, L., Petropoulos, F. (2012) The Theta Model: An Essential Forecasting Tool for Supply Chain Planning. В книге Advances in automation and robotics, 2: 431-437.

46. Цnkal-Atay, D. (2004), ”Judgmental forecasting“, in Clements, M.P. and Hendry, D.F. (Ed.), A companion to economic forecasting, Blackwell Publishing, Oxford, pp. 133.

47. Pindyck, R.S. and Rubinfeld, D.L. (1998), Econometric models and economic forecasts, Irwin McGraw-Hill, Boston.

48. Song, H. and Li. G. (2008), “Tourism demand modelling and forecasting - A review of recent research”, Management, Vol. 29, N

49. Song, H. et al. (2008), “An empirical study of forecast combination in tourism”, Journal of Hospitality & Tourism Research, Vol. 33, No. 1, pp. 3-29. Statistical yearbooks 2005-2010 (2006-2010), Montenegro Statistical Office, Podgorica.

50. Wong, K. et al. (2007), “Tourism forecasting: to combine or not to combine?”, Tourism Management, Vol. 28, No. 4, pp. 1068-1078.

51. Song, H., Smeral, E., Li, G., Chen, J.L. (2013). Tourism Forecasting Using Econometric Models. В книге Trends in European Tourism Planning and Organisation. Edited by C. Costa, E. Panyik, D. Buhalis. Channel View Publications.

52. Winters, P.R. (1960). Forecasting sales by exponentially weighted moving averages. Management Science, 6 (3): 324-342.

53. Witt, S. F., & Witt, C. A. (1995). Forecasting tourism demand: A review of empirical research. International Journal of Forecasting, 11(3), 447 - 475.

Приложение 1

Перечень кодов стран

Data Source (название страны)	World Development Indicators (коды)
Argentina	ARG
Australia	AUS
Austria	AUT
Bahrain	BHR
Brazil	BRA
Bulgaria	BGR
Canada	CAN
China	CHN
Croatia	HRV
Denmark	DNK
Egypt, Arab Rep.	EGY
Finland	FIN
France	FRA
Germany	DEU
Greece	GRC
Hungary	HUN
India	IND
Indonesia	IDN
Ireland	IRL
Israel	ISR
Italy	ITA
Japan	JPN
Jordan	JOR
Korea, Rep.	KOR
Macao SAR, China	MAC
Malaysia	MYS
Mexico	MEX
Morocco	MAR
Netherlands	NLD
Poland	POL
Portugal	PRT
Romania	ROU
Russian Federation	RUS
Singapore	SGP
South Africa	ZAF
South Asia	SAS
Spain	ESP
Sweden	SWE
Thailand	THA
Turkey	TUR
Ukraine	UKR
United Kingdom	GBR
United States	USA



Приложение 2

«Результаты прогнозирования и оценка точности полученных значений»

В приложении приведены выборочные примеры расчетов (не для всех стран)

Франция (млн. чел.)

YEAR_	DATE_	ARR	Naive	Linear	Exp_simple	Exp_H	Lin+Exp_simple	Lin+Exp_H
1995	1995	60,033	0	65,889	60,033	60,033
1996	1996	62,406	60,033	66,925	60,033	61,070
1997	1997	66,591	62,406	67,961	62,406	63,444
1998	1998	70,109	66,591	68,997	66,591	67,632
1999	1999	73,147	70,109	70,033	70,109	71,152
2000	2000	77,19	73,147	71,070	73,147	74,192
2001	2001	75,202	77,19	72,106	77,190	78,237
2002	2002	77,012	75,202	73,142	75,202	76,247
2003	2003	75,048	77,012	74,178	77,012	78,057
2004	2004	74,433	75,048	75,214	75,048	76,091
2005	2005	74,988	74,433	76,250	74,433	75,474
2006	2006	77,916	74,988	77,286	74,988	76,029
2007	2007	80,853	77,916	78,322	77,916	78,959
2008	2008	79,218	80,853	79,359	80,853	81,897
2009	2009	76,764	79,218	80,395	79,218	80,260
2010	2010	77,648	76,764	81,431	76,764	77,803
2011	2011	81,55	77,65	82,47	77,65	78,69	80,06	80,58
2012	2012	83,05	77,65	83,50	77,65	79,73	80,58	81,61
2013	2013	84,73	77,65	84,54	77,65	80,76	81,09	82,65
2014	2014		77,648	85,575	77,648	81,803
1000000
Ошибки 1									МИНИМУМ
MSE			47,2580	0,5402	47,2585	17,4751	10,7746	3,6564	0,5402
RMSE			6,8744	0,7349	6,8745	4,1803	3,2825	1,9122	0,7349
MAPE			0,0703	0,0062	0,0703	0,0424	0,0314	0,0183	0,0062
MAE			5,4610	0,5186	5,4610	3,3834	2,5334	1,4946	0,5186



США

YEAR_	DATE_	ARR	Naive	Linear	Exp_simple	Exp_H	Lin+Exp_simple	Lin+Exp_H
1995	1995	43,49	0,00	41,19	43,49	43,49
1996	1996	46,64	43,49	42,40	43,49	44,71
1997	1997	47,88	46,64	43,62	46,64	47,85
1998	1998	46,38	47,88	44,84	47,87	49,09
1999	1999	48,51	46,38	46,05	46,38	47,59
2000	2000	51,24	48,51	47,27	48,51	49,73
2001	2001	46,93	51,24	48,49	51,24	52,45
2002	2002	43,58 ...

Подобные документы

• Туристский спрос и туристское предложение

  Реализация стоимости и потребительской стоимости, заключенных в туристском продукте. Субъекты туристского рынка и его функционирование. Система туристского кругооборота. Спрос на путешествия. Предложение туристского продукта. Уровни спроса и предложения.
  
  презентация [276,9 K], добавлен 29.01.2012
  

• Туристский рынок и концентрация производства в туризме

  Структура туристского рынка. Основные участники туристского рынка. Туристские потребности и туристский маркетинг. Формы рыночных структур в туризме. Концентрация производства в туризме и механизм ее осуществления. Современное состояние туристского рынка.
  
  курсовая работа [35,8 K], добавлен 20.05.2004
  

• Механизмы туристского рынка

  Структура "туристского рынка". Туроператоры и турагенты: типы и функции. Сущность и специфика туристского продукта. Характеристика спроса на услуги в этой сфере. Сущность и специфика маркетинга. Механизмы институционального подхода к маркетингу в туризме.
  
  презентация [195,8 K], добавлен 19.03.2015
  

• Тенденции развития современного туристского рынка

  Исследование особенностей развития современного российского туристского рынка: основные тенденции, проблемы, направления, факторы конкурентоспособности и отличия от товарного рынка. Логистическая цепь движения туристского продукта. Международный туризм.
  
  курсовая работа [91,7 K], добавлен 27.09.2010
  

• Дополнительные туристские продукты как конкурентное преимущество туристского предприятия

  Определение и характеристика туристского предприятия как необходимого элемента рынка туристских услуг. Роль дополнительного туристского продукта как средства повышения конкурентоспособности туристского предприятия, анализ основных тенденций его рынка.
  
  контрольная работа [79,9 K], добавлен 01.06.2010
  

• Анализ и оценка технологии туристского обслуживания ТЧУП "Дискавери Трэвел"

  Формы продажи туристского продукта и методы обслуживания потребителей. Организация деловых совещаний и проведения деловых переговоров. Принятие и реализация управленческих решений. Анализ и оценка результатов хозяйственного и финансового состояния.
  
  отчет по практике [96,6 K], добавлен 03.12.2014
  

• Сегментация рынка в туризме

  Сегментация рынка. Критерии сегментации. Планирование стратегии сегментации. Ограничения сегментации. Сущность, содержание и функции туристского рынка. Субъекты туристского рынка. Сегментация туристского рынка. Субъекты туризма.
  
  курсовая работа [24,7 K], добавлен 17.12.2003
  

• Маркетинговые исследования потребителей туристского продукта

  Общая характеристика потребителей туристского продукта. Цели и задачи маркетинговых исследований потребителей туристского продукта. Методы маркетинговых исследований потребителей туристского продукта. Обзор туристского рынка Санкт-Петербурга.
  
  дипломная работа [108,0 K], добавлен 23.11.2006
  

• Внутренний туризм в России

  Функции внутреннего туризма. Особенности государственного регулирования внутреннего туризма в России. Оценка современного состояния внутреннего туристского рынка в России и перспектив его развития. Исследование потребителей услуг турфирмы "Ольга".
  
  курсовая работа [66,5 K], добавлен 20.03.2012
  

• Разработка туристского продукта и формирование туров туроператором

  Туристский продукт в работе туроператора. Понятие туристского продукта. Особенности туристского продукта. Разработка туристского продукта. Потребительские свойства и качества туристского продукта. Этапы разработки туристского продукта. Создание тура.
  
  курсовая работа [45,0 K], добавлен 06.11.2008
  

• Проблемы дополнительного туристского продукта и пути их решения

  Дополнительный туристский продукт как один из составных элементов туристского продукта, его место в структуре туристского продукта. Анализ и тенденции развития рынка дополнительных туристских продуктов, рекомендации и мероприятия по решению его проблем.
  
  контрольная работа [53,9 K], добавлен 01.06.2010
  

• Система и структура управления туристической фирмой

  Анализ современного состояния туристского хозяйства и туристского движения в Карагандинской области. Организационно–управленческая характеристика ТОО "Фламинго Тур". Факторы, влияющие на систему управления. Реализация инновационной стратегии на фирме.
  
  дипломная работа [86,5 K], добавлен 12.05.2013
  

• Состояние и прогнозы развития международного туризма

  Основные этапы становления международного туризма, его типы и виды. Анализ стоимости показателей доходности туризма. Международные туристические организации. Разработка нового туристского маршрута "Золотая Анталья". Специфика турецкого туристского рынка.
  
  курсовая работа [67,6 K], добавлен 02.02.2013
  

• Особенности туристского продукта

  Сущность, определение и особенности туристского продукта, взаимодействие туристской услуги и туристского продукта. Анализ особенностей туристского продукта, предоставляемого турфирмой в зимний и летний период. Анализ эффективности продуктовой стратегии.
  
  дипломная работа [520,7 K], добавлен 21.12.2010
  

• Развитие рынка туризма в Республике Бурятия

  Понятие и сущность туризма. Общая характеристика туризма как отросли мирового хозяйства. Анализ состояния рынка туризма в Республики Бурятия и перспективы развития Байкальского региона как туристского центра. Необходимость развития въездного туризма.
  
  курсовая работа [69,1 K], добавлен 10.01.2009
  

• Особенности мирового рынка туризма

  Современное понимание мирового туризма. Сущность субъектов рынка, их экономическая обоснованность. Значение конкуренции как важнейшего элемента рыночной экономики в совершенствовании туристского рынка, ее типы. Конъюнктурный анализ рынка туризма.
  
  контрольная работа [17,5 K], добавлен 16.03.2010
  

• Ценообразование в туризме

  Основные цели и политика ценообразования. Факторы ценообразования в туризме. Величина цены на туристский продукт, себестоимость туристского продукта и спрос на этот продукт. Выбор метода ценообразования. Определение и реализация ценовой стратегии.
  
  курсовая работа [54,9 K], добавлен 07.12.2011
  

• Диверсификация услуг на туристском предприятии (на примере ООО "Центр лыжного спорта "Малиновка")

  Обзор теоретико-методологических основ гостиничной деятельности. Исследование стратегии диверсификации услуг туристского предприятия. Анализ конкурентной среды туристского предприятия. Разработка пространства для детей на базе туристского предприятия.
  
  дипломная работа [4,1 M], добавлен 10.07.2017
  

• Особенности формирования туристского рынка Свердловской области

  Изучение туристского рынка, как сферы проявления экономических отношений. Анализ структуры и динамики объема реализации услуг ООО ТК "ГлавТур": предпочтения потребителей, маркетинговое исследование рынка Екатеринбурга. Стратегическое планирование туризма.
  
  дипломная работа [865,1 K], добавлен 08.11.2010
  

• Перспективы развития туризма

  Виды и классификации туризма. Характеристика рынка туристических услуг. Анализ современного состояния развития туризма в Российской Федерации. Показатели финансово-экономической деятельности туристского предприятия. Перспективы развития туризма в мире.
  
  курсовая работа [521,5 K], добавлен 21.12.2013
  

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам