Seasonality in Tourism and Forecasting Foreign Tourist Arrivals in India
محل انتشار: مجله ایرانی مطالعات مدیریت، دوره: 11، شماره: 4
سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 74
فایل این مقاله در 30 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JIJMS-11-4_001
تاریخ نمایه سازی: 6 شهریور 1402
چکیده مقاله:
In the present age of globalization, technology-revolution and sustainable development, the presence of seasonality in tourist arrivals is considered as a key policy issue that affects the global tourism industry by creating instability in the demand and revenues. The seasonal component in a time-series distorts the prediction attempts for policy-making. In this context, it is quintessential to suggest an accurate method of producing the reliable forecast of foreign tourist arrivals. This paper evaluated the performance of Holt-Winters’ and Seasonal ARIMA models for forecasting foreign tourist arrivals in India. The data on India’s inbound tourism from Jan-۲۰۰۱ to June-۲۰۱۸ were used for preparing the forecast for the period July-۲۰۱۸ to June-۲۰۲۰. On the basis of Mean Absolute Error, Mean Absolute Percentage Error and Mean Square Error, the findings infer the relative efficiency of Holt-Winters’ model over Seasonal ARIMA model in forecasting the foreign tourist arrivals in India. Thus, to reduce the perceived negative impacts of seasonality in Indian inbound tourism and to ensure foreign tourist visits round the year, niche products best suitable for Indian climatic and socio-cultural-institutional conditions need to be introduced and promoted in a large scale both at the national and global levels.
کلیدواژه ها:
نویسندگان
پ.ک. میشرا
Central University of Punjab, Bathinda, Punjab, India
هیمنشو. ب. روت
Siksha ‘O’ Anusandhan, Deemed to be University, Bhubaneswar, Odisha, India
ب. پردهان
Siksha ‘O’ Anusandhan, Deemed to be University, Bhubaneswar, Odisha, India
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :