實證結果分析

2 0 1 3 D r . T u n g C h u n g T s a i

第二節 實證結果分析

本文根據研究目的為小琉球旅遊景氣溫度建立了預測模型；此外，依據研究 設計，利用不同的自變數產生四種的變數組合類型，分別投入小琉球旅遊景氣溫 度的預測模型進行預測。及四種變數組合如表 4-3 所示:

表 4-3 投入變數組合表

模型名稱 投入變數

情緒分數預測模型

(Mood Score index model; MSM)

1

情緒分數結合 Google trends 預測模型

(Mood Score、Google Trends index model;MSGM)

1、2

情緒分數結合經濟指標預測模型

(Mood Score、Economic index model;MSEM)

1 3 4 5 6 7

情緒分數、Google trends 結合經濟指標模型

(Mood Score、Google Trends、Economic index model;

MSGEM)

1 2 3 4 5 6 7

1 網路情緒分數 5 消費者物價指數 2 Google trends 6 股價指數 3 失業率 7 貨幣供給額 4 國內生產毛額

資料來源:研究者整理

© 2 0 1 3 D r . T u n g C h u n g T s a i

一、 情緒分數預測模型(MSM)

本研究按照研究設計之步驟所述，利用 2009 年一月至 2013 年六月期間之所 蒐集的合計 54 個月份之遊客量當依變數，並利用這段時間從網路口碑分析中所 的的情緒分數當自變數進行預測模型之訓練及測試，在研究的過程中，選取當中 10 個月份之樣本資料當驗證範例訓練，最後本文利用情緒分數預測模型其分析 以及評估結果如下表 4-4 所示

表 4-4 情緒分數預測模型(MSM)分析表

預測模型 項目 數值

情緒分數 預測模型

分析項目

(訓練、測試)樣本 (38,16) 輸入層單位數 1 隱藏層 1 輸出層單位數 1 測試模型之 RMS 0.00570 驗證模型之 RMS 0.01225 評估項目 MAPE 17.93%

資料來源 : 本研究整理

由表 4-4 所示，本研究之情緒分數預測模型乃採用 38 個訓練樣本與 16 個測 試樣本，並選擇 1 層隱藏層及 1 個輸入層單位數和 1 個輸出層單位數，總樣本 54 所得之預測模型。

情緒分數預測模型之測試模型之 RMS(誤差均方根)為 0.00570，顯示出經濟 指標預測模型的誤差收斂表現優良，預測值的結果與實際值誤差不大；然後再投 入 10 個月份之樣本資料當驗證範例訓練，得出驗證模型之 RMS 為 0.01225，證 明情緒分數預測模型訓練成效表現良好，沒有發生過度學習的狀況，而訓練模型 與驗證模型兩個模型之間的 RMS 差距不大，這代表著情緒分數預測模型具有相當 的普遍性，對於訓練樣本以外的樣本也同樣保有相當貼近的預測能力。

© 2 0 1 3 D r . T u n g C h u n g T s a i

接著本研究利用情緒分數預測模型對 10 個選取樣本進行預測，並利用第三 章研究設計與方法所述，對於進行模型預測之後所得之預測值與實際值進行比較 演算，得出 MAPE 值為 17.93%，對照 MAPE 預測能力尺度表顯示，情緒分數預測 模型之預測精準度達優良之程度。

本研究利用情緒分數預測模型，而為比較不同時間之情緒分數對遊客量之影 響，因此將樣本中各月之網路情緒分數分別做不平移以及向前平移一至六個月等 七種不同時間模式，再根據預估準確度來觀察推測結果之效率。來驗證網路情緒 對於預測時間點之影響。及結果如表 4-7 所示

表 4-5 MSM 網路情緒分數平移之預測尺度能力表

網路情緒分數平移月份 MAPE

0 個月 19.39%

1 個月 17.93%*

2 個月 19.26%

3 個月 21.66%

4 個月 22.74%

5 個月 21.13%

6 個月 24.64%

資料來源 : 研究者整理 *表示最佳

根據上表結果顯示，網路口碑情緒分數跟小琉球旅遊人數之時間軸曲線有近 似性，時間約有領先 1 至 2 個月的趨勢。而以旅遊人數平移 1 個月的網路情緒 分數與小琉球旅遊人數統計數之關係最為接近，所得之預測模型最為準確，因此 有關情緒模型的建立，情緒分數皆以平移一個月為基準。

© 驗證範例訓練，本文利用情緒分數結合 Google trends 預測模型其分析以及評估 結果如下表 4-6 所示

情緒分數結合 Google trends 預測模型之測試模型之 RMS(誤差均方根)為 0.00519，顯示出情緒分數結合 Google trends 預測模型的誤差收斂表現優良，

並且預測值的結果與實際值誤差甚小；然後再投入 10 個月份之樣本資料當驗證 範例訓練，得出驗證模型之 RMS 為 0.01088，證明情緒分數結合 Google trends 預測模型訓練成效表現良好，沒有發生過度學習的狀況，而訓練模型與驗證模型

© 2 0 1 3 D r . T u n g C h u n g T s a i

兩個模型之間的 RMS 值均不高，這代表著情緒分數結合 Google trends 預測模型 具有相當的普遍性，對於訓練樣本以外的其他樣本也同樣保有相當貼近的預測能 力。

最後本研究利用經濟指標結合 Google trends 預測模型對 10 個選取樣本進 行預測，並利用第三章研究設計與方法所述，對於進行模型預測之後所得之預測 值與實際值進行比較演算，得出 MAPE 值為 16.51%，對照 MAPE 預測能力尺度表 顯示，經濟指標預測結合 Google trends 模型之預測精準度達優良之程度。

三、情緒分數結合經濟指標預測模型(MSEM)

此模型同樣按照研究設計之步驟所述，利用 2009 年一月至 2013 年六月期間 之所蒐集的合計 54 個月份之遊客量當依變數，除了除了網路情緒分數之外，還 增加了五項傳統的經濟指標，其包含了股價指數、消費者物價指數、國內生產毛 額、失業率以及貨幣供給額當自變數進行預測模型之訓練及測試，並同樣選取當 中 10 個月份之樣本資料當驗證範例訓練，本文利用經濟指標結合網路情緒預測 模型其分析以及評估結果如下表 4-7 所示

表 4-7 情緒分數結合經濟指標預測模型(MSEM)分析表

預測模型 項目 數值

情緒分數 結合經濟指標

預測模型 (平移一個月)

分析項目

(訓練、測試)樣本 (38,16) 輸入層單位數 6 隱藏層 1 輸出層單位數 1 測試模型之 RMS 0.00506 驗證模型之 RMS 0.01245 評估項目 MAPE 18.52%

資料來源 : 本研究整理

© 2 0 1 3 D r . T u n g C h u n g T s a i

試樣本，並選擇 1 層隱藏層及 6 個輸入層單位數和 1 個輸出層單位數，總樣本 54 所得之預測模型。

情緒分數結合經濟指標預測模型之測試模型之 RMS(誤差均方根)為 0.00506，

顯示出情緒分數結合經濟指標的誤差收斂表現佳，預測值的結果與實際值誤差微 小；然後再投入 10 個月份之樣本資料當驗證範例訓練，得出驗證模型之 RMS 為 0.01245，證明本預測模型訓練成效表現良好，沒有發生過度學習的狀況，而訓 練模型與驗證模型兩個模型之間的 RMS 呈現偏低情形，這代表著經濟指標結合網 路情緒預測模型具有相當的普遍性，對於訓練樣本以外的樣本也同樣保有相當貼 近的預測能力。

最後本研究利用經濟指標結合網路情緒預測模型對 10 個選取樣本進行預 測，並利用第三章研究設計與方法所述，對於進行模型預測之後所得之預測值與 實際值進行比較演算，得出 MAPE 值為 18.52%，對照 MAPE 預測能力尺度表顯示，

經濟指標預測結合網路情緒模型之預測精準度達優良之程度。

四、情緒分數、Google trends 結合經濟指標預測模型(MSGEM)

最後一個模型同樣按照研究設計之步驟所述，利用 2009 年一月至 2013 年六 月期間之所蒐集的合計 54 個月份之遊客量當依變數，除了網路情緒分數當自變 數進行預測模型之訓練及測試以外，再加入五項經濟指標包含了股價指數、消費 者物價指數、國內生產毛額、失業率以及貨幣供給額以及 Google trends 網路熱 門搜索度，並同樣選取當中 10 個月份之樣本資料當驗證範例訓練，本文利用情 緒分數、Google trends 結合經濟指標預測模型其分析以及評估結果如下表 4-8 所示:

©

表 4-8 情緒分數、Google trends 結合經濟指標(MSGEM)分析表

預測模型 項目 數值

情緒分數、

Google trends 結合經濟指標

© 網路口碑為主的網路口碑情緒分數以及 Google trends 網路熱門搜索度這兩項新 穎變數，並依照其時間變化特性，往前平移一個月，結果顯示結合傳統的經濟指 標預測兩種模型 MSEM 以及 MSEGM 的預測能力分別只有 18.52%以及 18,82%，而只 有投入網路口碑情緒分數以及 Google trends 網路熱門搜索度這兩項變數的模型 MSGM 其預測能力高達 16.51%。