کاربرد محاسبات نرم در برآورد تقاضای سفر گردشگران ایرانی به کره جنوبی

در توسعه گردشگری، پیشبینی و برآورد تقاضای گردشگری، برای کشورهای مقصد و مبداء دارای اهمیت است. لذا ارزیابی روشهایی که منجر به تخمین دقیقتری از تقاضای گردشگری شود، مورد توجه بوده است. در این مطالعه، دقت روشهای شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) در برآورد تقاضای گردشگری از ایران به کرهجنوبی مورد بررسی قرار گرفت. مدلسازی تقاضای گردشگری بر اساس دو روش ANN و SVM با استفاده از داده های ماهانه ۱۵ ساله (۲۰۰۳-۲۰۱۸) صورت گرفت. برای بررسی عملکرد مدلها، از آماره های ضریب تبیین (R۲)، مجذور میانگین مربعات خطا (RMSE) و میانگین مطلق خطا (MAE) استفاده شد. در مدلسازی شبکه عصبی، سه مدل ANN۳, ANN۲, ANN۱ تحت الگوریتم آموزش لونبرگ-مارکوات (LM) ارزیابی شد. نتایج نشان داد که در بین این مدل ها، مدل ANN۲ با تابع محرک لوگ سیگموئید و با آرایش (۱-۱۰-۳) دارای کمترین خطا است. همچنین در روش SVM، سه نمونه از بهترین مدلهای به دست آمده (SVM۱, SVM۲, SVM۳) بر اساس تابع کرنل انتخاب و مشخص گردید که مدل SVM۲ بیشترین دقت را در مدلسازی تقاضای گردشگری داشته است. علاوه بر این، کمترین مقدار RMSE و MAE و بیشترین مقدار R۲ مربوط به مدل SVM۲ و به ترتیب ۶۶/۵، ۳۸/۳ و ۰/۸۶۱ به دست آمد. این مقادیر در مدل ANN۲ به ترتیب ۷۱/۱، ۵۲/۷ و ۰/۸۳۱ به دست آمد. در یک نتیجهگیری کلی میتوان گفت که با توجه به عملکرد دقیقتر روش SVM نسبت به ANN، از این روش در تخمین تقاضای گردشگری ایران به کره جنوبی استفاده شود.