大陸旅客對臺灣觀光需求之預測－以SARIMA模型、灰色理論與倒傳遞類神經網路模型為例

Abstract

觀光為二十一世紀各國皆重點發展之綠色產業，近年來臺灣之國際旅遊市場飛速成長，2015年底入境臺灣之國際旅客人次突破一千萬，當中一半以上為大陸及港澳旅客。觀光需求之預測是相當重要的，如能有效地預測觀光需求，觀光相關產業即能事先進行產能之調度調整，如是否進入市場、固定資產之增置變賣及人力增減等，政府亦能同時制定相適應的觀光政策，減少無效之人力及產能浪費。分析過去臺灣國際旅客市場之快速成長主要為大陸旅客成長之貢獻，本研究選定大陸旅客為研究對象，以2009年1月至2015年12月為研究期間，其中2009年1月至2014年12月為樣本內預測，2015年1月至2015年12月為樣本外預測，建立SARIMA模型、季節灰色GM(1,1)模型及季節倒傳遞類神經網路模型，並以MAPE及RMSPE為預測誤差指標，發現2015年之預測誤差較大且月份變動趨勢較為不同，因此加入2014年為樣本外預測之SARIMA模型、季節灰色GM(1,1)模型及季節倒傳遞類神經網路模型進行對照及比較。研究結果發現，季節倒傳遞類神經網路模型在2015三種模型中MAPE值及RMSPE值均最小，在2014三種模型中MAPE值最小，在大陸旅客來臺觀光需求預測方面有較佳之預測能力，因此本研究最終使用季節倒傳遞類神經網路模型進行2016年及2017年大陸旅客來臺之觀光需求預測。

There has been a growing interest in tourism demand forecasting over the past decades because of the constant growth of world tourism. Although there has the consensus on the need to develop more accurate forecasts and the recognition of their corresponding benefits, there is no one model that stands out in terms of forecasting accuracy. Since 2008, the amount of Mainland tourists to visit Taiwan has been growing rapidly. This study aims to build SARIMA, seasonal GM(1,1) model and Back Propagation Neural Network model to forecast the tourism demand from Mainland to Taiwan. This study chose the period from January 2009 to December 2015, 72 monthly data, to build SARIMA model, seasonal GM(1,1) model and seasonal Back Propagation Neural Network model, and evaluates the prediction by MAPE and RMSPE. Via comparing MAPE and RMSPE, we select seasonal Back Propagation Neural Network model which has the lowest MAPE to forecast 2016 and 2017 Mainland tourists to Taiwan.