遊客量相關研究

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

四、Google Trends搜尋熱門度

在全球眾多的入口網站中，Google憑藉著快速的且大量的搜尋能力，

佔有65%的市場，在世界各地每個月約有60億筆搜尋紀錄(Smith,2012)，

Google搜尋已成為網路使用者查詢資料的首要之選。

Google Trends是是一個提供關鍵字熱門度查詢的工具，Google提供給 使用者用以分析全球其他使用者如何使用Google進行檢索的統計資料，其 中包括檢索之內容、標的、數量、時間、城市、國家與使用語言等。Google 是一個開放資訊搜尋平台，可以提供即時的關鍵字熱門度資訊，該數值即 為關鍵字在某一時期內，經正規化後的搜尋量，若該關鍵字在短時間內的 搜尋量高，即代表該關鍵字之熱門度高。換句話說，Google 也是一個全世 界最大的個人想法偏好的呈現場合。Google Trends不僅是 Google的趨勢也 是世界各地網路使用者的趨勢。

過去有學者利用Google Trends進行預測，Askitas(2009)曾透過Google Trends以關鍵字對照德國失業率，進行失業率的預測。Ginsberg et al.(2009) 利用大量Google Trends搜尋數據以估計美國流感的流行狀況。Choi &

Varian (2009;2012)利用Google Trends的數據預測零售銷售、汽車銷售、房 屋銷售、旅遊和申請失業救濟人數。

由上述研究可發現，Google Trends已成為反映網路使用者關注熱度的 最佳工具，因此本研究在網路口碑情緒外，將Google Trends納入變數之一，

強化研究基礎。

第四節 遊客量相關研究

一、經濟指標

台灣自1956年發展觀光業以來，創造了許多就業機會，並提振國內消費，觀 光對經濟的貢獻不言而喻。觀光為經濟帶來產值，同樣地，經濟因素也是影響遊 客旅遊選擇之重要因子之一。本研究整理過去有關經濟指標與觀光旅遊之研究，

©

©

利用Panel regression法檢測 發現，旅遊成長和經濟成長

Hui, Wan and Ho (2007)探討遊客造訪新加坡的遊客滿意度、評價與建議及重遊意 願，結果發現北美遊客較不重視價格，但較重視食物及住宿品質；但對歐洲、亞 洲及大洋洲的遊客來說，發掘景點及文化的意義才是影響其滿意度的要素。Chen and Chen (2010)研究探討古蹟旅遊的體驗品質、知覺價值、滿意度和行為意向的 關係，其研究表示古蹟旅遊後之感受，會直接影響遊客滿意度及知覺價值，對於 行為意向則是間接影響效果。

本研究所欲探討之墾丁國家公園旅遊市場溫度，係指遊客造訪墾丁國家公園

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

之熱絡程度，由上述文獻，可推論遊客對於墾丁國家公園旅遊之滿意度，乃是影 響旅遊溫度之關鍵因素。參考余家蕙(2014)旅遊市場溫度的研究，本研究將墾丁 國家公園旅遊滿意度研究構面整理如下表2-3-1所示。

表2-4-2 墾丁國家公園滿意度構面表

構面 參考文獻

價格 1、4

餐飲 1、3、4、5、6

人文資源 1、3、4、5、6

環境設施 2、5

服務 2、5

交通 1、3、5、6

整體滿意度 2

1、陳嘉雯等人（2008）

2、李佳凌（2008）

3、林欣怡（2009）

4、秦世杰（2010）

5、謝素卿（2011）

6、鍾美齡（2013）

資料來源：參考余家蕙(2014)研究整理

三、遊客量預測

國家公園遊客量之預測是其規劃開發的重要依據。因此，遊客量的預測 是各類需求預測中重要的一環。吳柏林(1995)指出運用定量預測方法偏重於 數學模式的應用，依據過去的歷史資料或因果變數來建立預測模式，以所 得之客觀數字作為預測資訊的來源依據。張盛鴻等(2000)認為數學性的技術 通常能較專家修正的預測有比較好的結果。而James & Jens(1995)也提到需 求預測的目標通常是較無結構性、以及需求不確定性高，屬於高度複雜性 的市場，定性的預測通常較缺乏數字化的依據，容易導致預測不準確。故 本研究針對遊客量量化預測進行文獻探討並整理如表2-4-2所示。

©

A comparison of three different approaches to tourism arrival forecasting.

利用指數平滑法、ARIMA 及類神經網路， Turner (2005)

Neural network forecasting of tourism demand.

利用基本結構模型有良好的預測力，但若

©

Tourist Arrival Forecasting Using Artificial Neural Networks.

針對來台的美國觀光客人數，使用以倒傳 的生態承載量(Ecological Capacity)，推估未 來之最適遊客人數。研究結果發現寶來、

不老溫泉的遊客量呈現正向成長的趨勢。

(續下頁)

©

A piecewise Linear approach to modeling and forecasting demand for Macau tourism.

比較分段線性研究法、回歸趨勢模型、季

Combining statistical and judgmental forecast via a web-based tourism demand forecasting system(TDFS).

以近期案例說明預測模型結構關係，利用 TDFS預測香港遊客量，並透過量化的預測 方式並適當修正，可以增進預測準確度。

資料來源：本研究整理

由上表整理可得知，時間序列法由於發展較早，常是早期許多研究採用的 預測技術模型，其中又以ARIMA(autoregressive integrated moving average)模型和 指數平滑法(exponential smoothing)最常被廣泛使用。

然而隨著IT(Information Technology)技術日趨成熟，模型或系統性的預測研 究法也開始被廣為採用，Cho(2003)研究中顯示在預測國際旅客到香港的成長趨 勢以類神經網路預測能力最佳。Jiang & Lee(2007) 也指出倒傳遞類神經網路具有 良好的預測能力。李飛、白豔萍(2007)同時也提出倒傳遞類神經網路的模擬結果 與實際情況最為逼近。

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

傳統的旅遊需求預測技術多以單一性數學方程式為主，雖然能具備一定的預 測力，但相較之下，類神經網路更可使用複雜性、無秩序性的變數進行預測。雷 可為、方田紅(2009)提到旅遊市場受到多種因素的制約，包含線性及非線性的規 律，如採用一種模型進行預測很難同時考慮線性與非線性的變化。Song et al.(2013) 從SSCI中，彙整2000年至2007年間旅遊相關研究，更指出沒有任何一種單一預 測方法，在所有情形下仍優於其他研究方法。故本研究擬採用類神經網路中的倒 傳遞運算法，利用其對於龐雜資料研究之準確度，優於傳統預測方法，以期達到 修正預測誤差，提升預測效力的功能。

四、類神經網路

「類神經」最早起源於1943年，由McCulloch and Pitts提出神經元數學模型 (MP model)。但此模型採用固定的鍵結值(synaptic weights)與閥值(threshold)，故 不具有學習能力。到了1957年，Frank Rosenblatt提出感知機(Perception)，為第一 種類神經網路模型。它由具有可調整鍵結值及閥值的單一類神經元所組成，主要 用於理論研究與樣本識別。1986年Rumelhart and McClelland等人，提出倒傳遞類 神經網路(BPN)與通用差距法則(generalized delta rule)。此種類神經網路克服了 XOR的問題。並且以理論證明此種演算法的收斂性。此種模型已成為目前應用 最廣的網路。至今為止，類神經網路仍然有新的架構與理論不斷被提出，配合電 腦運算速度的增加，使得類神經網路的功能更為強大，運用層面更為廣泛。類神 經網路與傳統統計方法或專家系統不同之處，在於其不需事先設定出特定的函數 形式，是一種能透過學習，來處理多變數時間非線性關係的工具。類神經網路便 是藉由模擬人類大腦神經的運作方式，透過不斷學習及錯誤修正，創建與訓練出 符合實際問題的類神經網路架構，以映射出輸入與輸出間關係的數學式，以達到 正確預測的目的。

類神經網路模仿生物神經網路的資訊處理系統。其特性為透過非線性的學 習能力，能以簡單的鏈結值及轉換函數，描述複雜與非線性的資料集合。葉怡 成(2006)提到類神經網路由許多人工神經元所組成，並且可以組成各種網路模 式(Network Model)，或稱網路典範(Network Paradigm)。其中以倒傳遞網路應 用最為普遍。類神經演算不像傳統演算法，需要專家先為系統訂好規則，除此

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

優點以外，類神經網路可以利用推理、歸納與學習等方式來處理複雜的樣本識 別、分類問題、資料壓縮、預測等各種領域。並且應用在許多層面。

類神經網路模式可分為四大類：

(一)監督式學習，運用於分類、預測。

(二)非監督式學習，運用於聚類。

(三)聯想式學習，運用於雜訊過濾、資料擷取。

(四)最佳化問題，運用於設計、排程。

在運用於預測的監督式學習當中，倒傳遞網路乃是最為普遍應用的學習模 式，其透過最陡坡降法(Gradient Steepest Descent Method)的概念能將誤差涵數最 小 化 。 基 本 架 構 包 含 輸 入 層 (Input Layer) 、 隱 藏 層 (Hidden Layer) 及 輸 出 層 (Output Layer)三個部分。其中隱藏層可包含一至數層，主要功能是增加類神經 網路的複雜性，使其模擬複雜的非線性關係。有數個神經元互相連接，透過反 覆的調整神經元的權重與偏權值，使推測值與目標輸出值透過不斷的修正，而 愈趨於接近。類神經網路可處理複雜的樣本識別、分類問題、資料壓縮、預測 等各個領域中。但因為計算量大，故收斂速度慢；且初始值及偏權值的不同會 產生不同的結果，所以結果可能會收斂於一個局部最小誤差值，不見得是最適 解 (陳少棠 2012)。

其預測模型概念如圖 2-3-1 所示：

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

圖 2-3-1 研究預測模型圖 資料來源：王進德，2011

類神經網路的基本架構可分三個層次：處理單元(Processing Element，PE)、

層(Layer)、網路(Network)所構成。一個類神經網路是由許多人工神經元，又稱 處理單元所組成。介於處理單元間的訊號傳遞路徑稱為連結(Connection)。每一 個連結都有對應的權重值W_ij (Weight)，用以代表處理單元i 對處理單元j 的影響 強度，其運作方式如圖2-3-2所示。

圖2-3-2 人工神經元模型 資料來源：參考(王進德，2011)繪製

每一個處理單元接受輸入訊號後，以扇狀方式送出訊號，成為下一層處理單元的 輸入訊號。處理單元的輸出值與輸入值的關係式，一般可用下列函數表示：

Y = f(ΣWijXi-θj)

Y：輸出變數，模仿生物神經元的輸出訊號。

Xi：輸入變數，模仿生物神經元的輸入訊號

Wij：連結權重值(weight)，模仿生物神經元的神經節強度。

θj：模仿生物神經元的模型的閥值(bias)，又稱偏權值。即輸入訊號的加權乘

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

積必頇大於此門檻值，才會有訊號傳送至下個神經元。

Σ：集成函數(Summation Function )，此部分是將每一個輸入(X i )與權重值(W ij )相乘後做加總。

f ：模仿生物神經元處理功能的轉換函數(Transfer function)，用以將從其他 處理單元輸入的輸入值之加權乘積和Σ(WijXi-θj) 和偏權值 j的總合 轉換成處理單元輸出值的數學公式。

類神經網路在實務運用上相當廣泛，尤其以財務金融決策更為豐碩。

Nguyen et al.(2001) 曾 利 用 類 神 經 網 路 預 測 房 屋 的 價 值 ； Charkraborty &

Nguyen et al.(2001) 曾 利 用 類 神 經 網 路 預 測 房 屋 的 價 值 ； Charkraborty &