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	46,93	49,70	46,93	48,14
2003	2003	41,22	43,58	50,92	43,58	44,80
2004	2004	46,09	41,22	52,14	41,22	42,43
2005	2005	49,21	46,09	53,35	46,09	47,30
2006	2006	50,98	49,21	54,57	49,21	50,42
2007	2007	56,14	50,98	55,79	50,98	52,19
2008	2008	58,01	56,14	57,00	56,13	57,35
2009	2009	55,10	58,01	58,22	58,01	59,22
2010	2010	60,01	55,10	59,44	55,10	56,32
2011	2011	62,82	60,01	60,66	60,01	61,23	60,33	60,94
2012	2012	66,66	60,01	61,87	62,82	64,04	62,35	62,95
2013	2013	69,77	60,01	63,09	66,66	67,87	64,87	65,48
2014	2014	0,00	0,00	64,31	69,77	70,99	67,037	67,645
1000000
Ошибки 1									МИНИМУМ
MSE			73,6514	36,1018	16,1481	6,4942	24,3686	17,8081	6,4942
RMSE			8,5820	6,0085	4,0185	2,5484	4,9365	4,2200	2,5484
MAPE			0,1067	0,0730	0,0515	0,0316	0,0619	0,0517	0,0316
MAE			6,4053	4,5435	3,2527	2,0358	3,8981	3,2896	2,0358

Испания (млн. чел.)

YEAR_	DATE_	ARR	Naive	Linear	Exp_simple	Exp_H	Lin+Exp_simple	Lin+Exp_H
1995	1995	34,92		38,17	34,92	34,92
1996	1996	36,22	34,92	39,59	37,07	34,92
1997	1997	39,55	36,22	41,01	38,03	36,22
1998	1998	41,89	39,55	42,43	41,97	39,55
1999	1999	45,44	41,89	43,85	44,28	41,89
2000	2000	46,40	45,44	45,27	48,29	45,44
2001	2001	48,57	46,40	46,70	48,50	46,40
2002	2002	50,33	48,57	48,12	50,69	48,56
2003	2003	50,85	50,33	49,54	52,31	50,33
2004	2004	52,43	50,85	50,96	52,25	50,85
2005	2005	55,91	52,43	52,38	53,90	52,43
2006	2006	58,00	55,91	53,80	58,19	55,91
2007	2007	58,67	58,00	55,22	60,20	58,00
2008	2008	57,19	58,67	56,64	60,25	58,67
2009	2009	52,18	57,19	58,07	57,55	57,19
2010	2010	52,68	52,18	59,49	50,39	52,18
2011	2011	56,18	52,68	60,91	51,80	52,68	56,36	56,79
2012	2012	57,46	52,68	62,33	50,93	52,68	56,63	57,50
2013	2013	60,66	52,68	63,75	50,06	52,68	56,90	58,21
2014	2014		52,68	65,17	49,18	52,68	57,18	58,92
1000000
Ошибки 1									МИНИМУМ
MSE			49,4548	27,7940	87,1422	49,4550	7,4250	3,1852	3,1852
RMSE			7,0324	5,2720	9,3350	7,0324	2,7249	1,7847	1,7847
MAPE			0,1030	0,0681	0,1415	0,1030	0,0280	0,0179	0,0179
MAE			5,4237	4,2282	7,1708	5,4237	1,5903	1,0339	1,0339

Китай (млн. чел.)

YEAR_	DATE_	ARR	Naive	Linear	Exp_simple	Exp_H	Lin+Exp_simple	Lin+Exp_H
1995	1995	20,03		18,57	20,03	17,87
1996	1996	22,77	20,03	21,14	20,03	20,66
1997	1997	23,77	22,77	23,71	22,76	23,45
1998	1998	25,07	23,77	26,28	23,77	26,05
1999	1999	27,05	25,07	28,85	25,07	28,52
2000	2000	31,23	27,05	31,42	27,05	30,95
2001	2001	33,17	31,23	34,00	31,23	33,55
2002	2002	36,80	33,17	36,57	33,17	36,08
2003	2003	32,97	36,80	39,14	36,80	38,72
2004	2004	41,76	32,97	41,71	32,97	40,71
2005	2005	46,81	41,76	44,28	41,76	43,39
2006	2006	49,91	46,81	46,85	46,81	46,31
2007	2007	54,72	49,91	49,43	49,91	49,25
2008	2008	53,05	54,72	52,00	54,72	52,38
2009	2009	50,88	53,05	54,57	53,05	55,02
2010	2010	55,66	50,88	57,14	50,88	57,17
2011	2011	57,58	55,66	59,71	55,66	59,58	57,69	59,65
2012	2012	57,73	55,66	62,28	55,66	62,16	58,97	62,22
2013	2013	55,69	55,66	64,85	55,66	64,73	60,26	64,79
2014	2014	0,00	55,66	67,43	55,66	67,30	61,54	67,36
1000000
Ошибки 1									МИНИМУМ
MSE			3,9615	54,6916	3,9632	52,6858	11,2420	53,6825	3,9615
RMSE			1,9904	7,3954	1,9908	7,2585	3,3529	7,3268	1,9904
MAPE			0,0240	0,0834	0,0240	0,0815	0,0330	0,0825	0,0240
MAE			1,3333	5,2859	1,3337	5,1579	1,9761	5,2219	1,3333

Италия (млн. чел.)

YEAR_	DATE_	ARR	Naive	Linear	Exp_simple	Exp_H	Lin+Exp_simple	Lin+Exp_H
1995	1995	31,05	0,00	33,23	31,05	31,05
1996	1996	32,94	31,05	33,95	31,05	31,77
1997	1997	34,69	32,94	34,67	32,94	33,66
1998	1998	34,93	34,69	35,39	34,69	35,41
1999	1999	36,52	34,93	36,11	34,93	35,65
2000	2000	41,18	36,52	36,83	36,52	37,24
2001	2001	39,56	41,18	37,55	41,18	41,90
2002	2002	39,80	39,56	38,28	39,56	40,29
2003	2003	39,60	39,80	39,00	39,80	40,52
2004	2004	37,07	39,60	39,72	39,60	40,33
2005	2005	36,51	37,07	40,44	37,07	37,79
2006	2006	41,06	36,51	41,16	36,51	37,23
2007	2007	43,65	41,06	41,88	41,06	41,78
2008	2008	42,73	43,65	42,60	43,65	44,37
2009	2009	43,24	42,73	43,32	42,73	43,46
2010	2010	43,63	43,24	44,04	43,24	43,96
2011	2011	46,12	43,63	44,76	43,63	44,35	44,19	44,56
2012	2012	46,36	43,63	45,48	43,63	45,07	44,56	45,28
2013	2013	47,70	43,63	46,21	43,63	45,79	44,92	46,00
2014	2014		43,63	46,93	43,63	46,51	45,28	46,72
1000000
Ошибки 1									МИНИМУМ
MSE			15,1599	2,4251	15,1600	4,2386	7,3675	3,2668	2,4251
RMSE			3,8936	1,5573	3,8936	2,0588	2,7143	1,8074	1,5573
MAPE			0,0711	0,0273	0,0711	0,0368	0,0487	0,0320	0,0273
MAE			3,1017	1,2433	3,1017	1,6597	2,1725	1,4515	1,2433

Турция (млн. чел.)

YEAR_	DATE_	ARR	Naive	Linear	Exp_simple	Exp_H	Lin+Exp_simple	Lin+Exp_H
1995	1995	7,08	0,00	3,10	7,08	8,22
1996	1996	7,97	7,08	4,85	7,08	7,38
1997	1997	9,04	7,97	6,60	7,97	7,22
1998	1998	8,96	9,04	8,36	9,04	7,99
1999	1999	6,89	8,96	10,11	8,96	8,79
2000	2000	9,59	6,89	11,86	6,89	8,16
2001	2001	10,78	9,59	13,62	9,59	8,96
2002	2002	12,79	10,78	15,37	10,78	10,42
2003	2003	13,34	12,79	17,12	12,79	12,76
2004	2004	16,83	13,34	18,87	13,34	14,74
2005	2005	20,27	16,83	20,63	16,83	17,79
2006	2006	18,92	20,27	22,38	20,27	21,71
2007	2007	26,12	18,92	24,13	18,92	23,21
2008	2008	29,79	26,12	25,89	26,12	27,29
2009	2009	30,19	29,79	27,64	29,79	32,00
2010	2010	31,36	30,19	29,39	30,19	34,87
2011	2011	34,65	31,36	31,15	31,36	36,18	31,26	33,66
2012	2012	35,70	31,36	32,90	31,36	38,54	32,13	35,72
2013	2013	37,80	31,36	34,65	31,36	40,91	33,01	37,78
2014	2014	0,00	31,36	36,41	31,36	43,27	33,88	39,84
1000000
Ошибки 1									МИНИМУМ
MSE			35,4827	15,0059	35,4832	10,0624	23,5922	0,4902	0,4902
RMSE			5,9567	3,8737	5,9568	3,1721	4,8572	0,7001	0,7001
MAPE			0,1494	0,0961	0,1494	0,0641	0,1216	0,0102	0,0102
MAE			4,6850	3,1496	4,6850	2,4957	3,9173	0,3430	0,3430



Германия (млн. чел.)

YEAR_	DATE_	ARR	Naive	Linear	Exp_simple	Exp_H	Lin+Exp_simple	Lin+Exp_H
1995	1995	14,85		14,01	14,85	14,75
1996	1996	15,21	14,85	14,80	14,85	15,61
1997	1997	15,84	15,21	15,58	15,20	16,07
1998	1998	16,51	15,84	16,37	15,84	16,67
1999	1999	17,12	16,51	17,15	16,51	17,33
2000	2000	18,98	17,12	17,94	17,12	17,94
2001	2001	17,86	18,98	18,72	18,98	19,56
2002	2002	17,97	17,86	19,50	17,86	18,99
2003	2003	18,40	17,97	20,29	17,97	18,96
2004	2004	20,14	18,40	21,07	18,40	19,29
2005	2005	21,50	20,14	21,86	20,14	20,75
2006	2006	23,57	21,50	22,64	21,50	22,13
2007	2007	24,42	23,57	23,43	23,57	24,07
2008	2008	24,88	24,42	24,21	24,42	25,13
2009	2009	24,22	24,88	24,99	24,88	25,72
2010	2010	26,88	24,22	25,78	24,22	25,30
2011	2011	28,37	26,88	26,56	26,87	27,34	26,72	26,95
2012	2012	30,41	26,88	27,35	26,87	28,13	27,11	27,74
2013	2013	31,55	26,88	28,13	26,87	28,91	27,50	28,52
2014	2014		26,88	28,92	26,87	29,70	27,90	29,31
1000000
Ошибки 1									МИНИМУМ
MSE			18,2796	12,1620	18,2797	6,5946	14,9836	9,1487	6,5946
RMSE			4,2755	3,4874	4,2755	2,5680	3,8709	3,0247	2,5680
MAPE			0,1204	0,1005	0,1204	0,0699	0,1102	0,0850	0,0699
MAE			3,2350	2,7631	3,2350	1,9807	2,9991	2,3719	1,9807

Великобритания

YEAR_	DATE_	ARR	Naive	Linear	Exp_simple	Exp_H	Lin+Exp_simple	Lin+Exp_H
1995	1995	21,72	0,00	21,00	21,72	21,72
1996	1996	22,94	21,72	21,58	21,72	22,30
1997	1997	23,22	22,94	22,16	22,94	23,52
1998	1998	23,71	23,22	22,75	23,21	23,80
1999	1999	23,34	23,71	23,33	23,71	24,29
2000	2000	23,21	23,34	23,92	23,34	23,92
2001	2001	20,98	23,21	24,50	23,21	23,79
2002	2002	22,31	20,98	25,09	20,98	21,56
2003	2003	22,79	22,31	25,67	22,31	22,89
2004	2004	25,68	22,79	26,26	22,79	23,37
2005	2005	28,04	25,68	26,84	25,68	26,26
2006	2006	30,65	28,04	27,43	28,04	28,62
2007	2007	30,87	30,65	28,01	30,65	31,24
2008	2008	30,14	30,87	28,60	30,87	31,45
2009	2009	28,20	30,14	29,18	30,14	30,73
2010	2010	28,30	28,20	29,77	28,20	28,78
2011	2011	29,31	28,30	30,35	28,29	28,88	29,32	29,61
2012	2012	29,28	28,30	30,93	28,29	29,46	29,61	30,20
2013	2013	31,17	28,30	31,52	28,29	30,04	29,91	30,78
2014	2014	0,00	28,30	32,10	28,29	30,62	30,20	31,36
1000000
Ошибки 1									МИНИМУМ
MSE			5,1281	1,9728	5,1281	0,7501	0,8515	0,5406	0,5406
RMSE			2,2645	1,4046	2,2645	0,8661	0,9228	0,7352	0,7352
MAPE			0,0574	0,0330	0,0574	0,0195	0,0180	0,0178	0,0178
MAE			1,6240	1,0159	1,6240	0,5792	0,5371	0,5371	0,5371

Россия

YEAR_	DATE_	ARR	Naive	Linear	Exp_simple	Exp_H	Lin+Exp_simple	Lin+Exp_H
1995	1995	10,29	0,00	15,80	10,29	12,76
1996	1996	16,21	10,29	16,39	10,29	13,73
1997	1997	17,46	16,21	16,99	16,21	16,87
1998	1998	16,19	17,46	17,59	17,46	19,63
1999	1999	18,82	16,19	18,19	16,19	20,21
2000	2000	21,17	18,82	18,79	18,82	20,98
2001	2001	21,60	21,17	19,38	21,17	22,27
2002	2002	23,31	21,60	19,98	21,59	23,11
2003	2003	22,52	23,31	20,58	23,31	24,26
2004	2004	22,06	22,52	21,18	22,52	24,34
2005	2005	22,20	22,06	21,78	22,06	23,60
2006	2006	22,49	22,20	22,38	22,20	22,70
2007	2007	22,91	22,49	22,97	22,49	22,09
2008	2008	23,68	22,91	23,57	22,91	22,02
2009	2009	21,34	23,68	24,17	23,68	22,68
2010	2010	22,28	21,34	24,77	21,34	22,07
2011	2011	24,93	22,28	25,37	22,28	21,98	23,82	23,67
2012	2012	28,18	22,28	25,97	22,28	21,82	24,12	23,89
2013	2013	30,79	22,28	26,56	22,28	21,66	24,42	24,11
2014	2014	0,00	22,28	27,16	22,28	21,51	24,72	24,34
1000000
Ошибки 1									МИНИМУМ
MSE			57,1139	11,4744	57,1139	66,2372	29,1118	32,2660	11,4744
RMSE			7,5574	3,3874	7,5574	8,1386	5,3955	5,6803	3,3874
MAPE			0,2552	0,0872	0,2552	0,2824	0,1584	0,1698	0,0872
MAE			5,6860	2,2914	5,6860	6,1473	3,8434	4,0740	2,2914

Таиланд

YEAR_	DATE_	ARR	Naive	Linear	Exp_simple	Exp_H	Lin+Exp_simple	Lin+Exp_H
1995	1995	6,95	0,00	6,36	6,95	6,31
1996	1996	7,24	6,95	6,97	6,95	6,92
1997	1997	7,29	7,24	7,58	7,24	7,53
1998	1998	7,84	7,29	8,19	7,29	8,13
1999	1999	8,65	7,84	8,80	7,84	8,73
2000	2000	9,58	8,65	9,41	8,65	9,33
2001	2001	10,13	9,58	10,02	9,58	9,93
2002	2002	10,87	10,13	10,63	10,13	10,54
2003	2003	10,08	10,87	11,24	10,87	11,15
2004	2004	11,74	10,08	11,85	10,08	11,73
2005	2005	11,57	11,74	12,46	11,74	12,33
2006	2006	13,82	11,57	13,07	11,57	12,91
2007	2007	14,46	13,82	13,67	13,82	13,53
2008	2008	14,58	14,46	14,28	14,46	14,14
2009	2009	14,15	14,58	14,89	14,58	14,76
2010	2010	15,94	14,15	15,50	14,15	15,35
2011	2011	19,23	15,94	16,11	15,94	15,97	16,02	16,04
2012	2012	22,35	15,94	16,72	15,94	16,58	16,33	16,65
2013	2013	26,55	15,94	17,33	15,94	17,19	16,63	17,26
2014	2014	0,00	15,94	17,94	15,94	17,79	16,94	17,87
1000000
Ошибки 1									МИНИМУМ
MSE			82,3172	63,1746	82,3183	65,8253	72,4216	64,4920	63,1746
RMSE			9,0729	7,9482	9,0729	8,1133	8,5101	8,0307	7,9482
MAPE			0,4251	0,3540	0,4251	0,3658	0,3883	0,3599	0,3540
MAE			6,7743	5,9879	6,7744	6,1332	6,3812	6,0606	5,9879

Малайзия

YEAR_	DATE_	ARR	Naive	Linear	Exp_simple	Exp_H	Lin+Exp_simple	Lin+Exp_H
1995	1995	7,47	0,00	4,08	7,47	3,72
1996	1996	7,14	7,47	5,39	7,47	5,03
1997	1997	6,21	7,14	6,69	7,14	6,34
1998	1998	5,55	6,21	8,00	6,21	7,64
1999	1999	7,93	5,55	9,31	5,55	8,95
2000	2000	10,22	7,93	10,61	7,93	10,25
2001	2001	12,78	10,22	11,92	10,22	11,55
2002	2002	13,29	12,78	13,23	12,77	12,86
2003	2003	10,58	13,29	14,53	13,29	14,16
2004	2004	15,70	10,58	15,84	10,58	15,46
2005	2005	16,43	15,70	17,15	15,70	16,76
2006	2006	17,55	16,43	18,46	16,43	18,06
2007	2007	20,97	17,55	19,76	17,55	19,36
2008	2008	22,05	20,97	21,07	20,97	20,67
2009	2009	23,65	22,05	22,38	22,05	21,97
2010	2010	24,58	23,65	23,68	23,65	23,28
2011	2011	24,71	24,58	24,99	24,58	24,59	24,78	24,79
2012	2012	25,03	24,58	26,30	24,58	25,90	25,44	26,10
2013	2013	25,72	24,58	27,60	24,58	27,20	26,09	27,40
2014	2014	0,00	24,58	28,91	24,58	28,51	26,74	28,71
1000000
Ошибки 1									МИНИМУМ
MSE			0,7609	2,6195	0,7609	1,4850	0,1543	1,9919	0,1543
RMSE			0,8723	1,6185	0,8723	1,2186	0,3928	1,4113	0,3928
MAPE			0,0235	0,0425	0,0235	0,0310	0,0110	0,0351	0,0110
MAE			0,5770	1,1426	0,5770	0,8249	0,2828	0,9419	0,2828



Австрия

YEAR_	DATE_	ARR	Naive	Linear	Exp_simple	Exp_H	Lin+Exp_simple	Lin+Exp_H
1995	1995	17,17	0,00	16,32	17,17	16,74
1996	1996	17,09	17,17	16,68	17,17	16,96
1997	1997	16,65	17,09	17,05	17,09	17,13
1998	1998	17,35	16,65	17,42	16,65	16,98
1999	1999	17,47	17,35	17,79	17,35	17,19
2000	2000	17,98	17,47	18,16	17,47	17,45
2001	2001	18,18	17,98	18,53	17,98	17,95
2002	2002	18,61	18,18	18,89	18,18	18,42
2003	2003	19,08	18,61	19,26	18,61	18,94
2004	2004	19,37	19,08	19,63	19,08	19,49
2005	2005	19,95	19,37	20,00	19,37	19,92
2006	2006	20,27	19,95	20,37	19,95	20,41
2007	2007	20,77	20,27	20,73	20,27	20,81
2008	2008	21,94	20,77	21,10	20,77	21,22
2009	2009	21,36	21,94	21,47	21,93	22,07
2010	2010	22,00	21,36	21,84	21,36	22,29
2011	2011	23,01	22,00	22,21	22,00	22,55	22,11	22,38
2012	2012	24,15	22,00	22,58	22,00	22,89	22,29	22,73
2013	2013	24,81	22,00	22,94	22,00	23,23	22,47	23,09
2014	2014	0,00	22,00	23,31	22,00	23,57	22,66	23,44
1000000
Ошибки 1									МИНИМУМ
MSE			6,7581	3,3117	6,7581	2,1589	4,8785	2,6986	2,1589
RMSE			2,5996	1,8198	2,5996	1,4693	2,2087	1,6427	1,4693
MAPE			0,0903	0,0625	0,0903	0,0480	0,0762	0,0552	0,0480
MAE			1,9880	1,4164	1,9880	1,1042	1,7022	1,2603	1,1042

Украина

YEAR_	DATE_	ARR	Naive	Linear	Exp_simple	Exp_H	Lin+Exp_simple	Lin+Exp_H
1995	1995	3,72	0,00	1,78	3,72	3,72
1996	1996	3,85	3,72	3,26	3,72	5,20
1997	1997	7,56	3,85	4,75	3,85	5,33
1998	1998	6,21	7,56	6,24	7,56	9,04
1999	1999	4,23	6,21	7,73	6,21	7,69
2000	2000	6,43	4,23	9,22	4,23	5,71
2001	2001	9,17	6,43	10,70	6,43	7,91
2002	2002	10,52	9,17	12,19	9,17	10,65
2003	2003	12,51	10,52	13,68	10,52	12,00
2004	2004	15,63	12,51	15,17	12,51	13,99
2005	2005	17,63	15,63	16,66	15,63	17,11
2006	2006	18,94	17,63	18,14	17,63	19,11
2007	2007	23,12	18,94	19,63	18,94	20,42
2008	2008	25,45	23,12	21,12	23,12	24,61
2009	2009	20,80	25,45	22,61	25,45	26,93
2010	2010	21,20	20,80	24,10	20,80	22,28
2011	2011	21,42	21,20	25,58	21,20	22,68	23,39	24,13
2012	2012	23,01	21,20	27,07	21,20	24,16	24,14	25,61
2013	2013	24,67	21,20	28,56	21,20	25,63	24,88	27,10
2014	2014	0,00	21,20	30,05	21,20	27,11	25,63	28,58
1000000
Ошибки 1									МИНИМУМ
MSE			7,6740	24,4963	7,6740	1,9181	2,6124	10,0195	1,9181
RMSE			2,7702	4,9494	2,7702	1,3850	1,6163	3,1654	1,3850
MAPE			0,0863	0,1497	0,0863	0,0469	0,0466	0,1012	0,0466
MAE			1,8300	4,0395	1,8300	1,1240	1,1048	2,5817	1,1048

Мексика

YEAR_	DATE_	ARR	Naive	Linear	Exp_simple	Exp_H	Lin+Exp_simple	Lin+Exp_H
1995	1995	20,24	0,00	19,21	20,40	20,28
1996	1996	21,40	20,24	19,42	20,30	19,68
1997	1997	19,35	21,40	19,62	21,00	19,77
1998	1998	19,39	19,35	19,83	19,94	19,35
1999	1999	19,04	19,39	20,04	19,59	19,03
2000	2000	20,64	19,04	20,25	19,24	18,71
2001	2001	19,81	20,64	20,45	20,14	19,16
2002	2002	19,67	19,81	20,66	19,93	19,48
2003	2003	18,67	19,67	20,87	19,76	19,75
2004	2004	20,62	18,67	21,08	19,06	19,54
2005	2005	21,92	20,62	21,29	20,06	19,99
2006	2006	21,35	21,92	21,49	21,25	20,99
2007	2007	21,61	21,35	21,70	21,32	21,75
2008	2008	22,93	21,61	21,91	21,50

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
  

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