遊客量預測相關研究

tachni1que)；(2)時間數列法(time series)或趨勢延伸法(trend extension models)；(3) 結構性模型(structural models)；(4)系統或模型模擬(system or simulation models)。

德菲爾法應用於遊客數量預測上，係以專家調查法來預測遊客量；趨勢延伸法則

Time series forecasts of

international travel demand for

Australia.

趨勢延伸法 利用 ARIMA 模式預測 澳洲國際旅客，實證結 果顯著。

Cho(2003) A comparison of three different approaches to tourism arrival forecasting.

研究者 研究主題 研究方法 結論 Kon and

Turner(2005)

Neural network forecasting of tourism demand.

混用多種預測法 tourist arrivals by using the adaptive network-based fuzzy inference system.

Coshall and Charlesworth

(2011)

A management orientated approach to combination forecasting of tourism damand.

系統或模型模擬

1ANN-Artificial Neural Netwok,

2BSM-Basic Structural Method

研究者 研究主題 研究方法 結論 Hong et al.(2011) SVR with hybrid

chaotic genetic algorithms for tourism demand forecasting.

Chu(2011) A piecewise Linear approach to modeling and forecasting demand for Macau tourism.

趨勢延伸法 (Piecewise linear approach) ARIMA、ARMA 等 3 項 預 測 方 式 作 比 較，研究發現分段線 性模型較以上 3 項預 測 法 可 更 為 準 確 預 測澳門旅遊需求。

Song et al.(2013) Combining statistical and judgmental forecasts via a web-based tourism demand forecasting system.

系 統 或 模 型 模 擬 web-based tourism demand forecasting system(TDFS)

資料來源：本研究整理

由以上彙整表可發現，早期大多數研究多以時間序列法（趨勢延伸法）為主 流研究方法，主要因為時間序列法研究發展時間較早，迄今發展結果較為完備，

其中又以指數帄滑(exponential smoothing)及 ARIMA 模型(autoregressive integrated moving average)為最常使用之兩種時間序列預測技術。近年來由於 IT 科技迅速發 展，預測研究法開始偏向利用模型或系統進行預測及分析。

隨著 IT 技術的發展成熟，以系統或模擬模型預測也累積一定數量的研究。

Cho(2003)的研究也顯示在趨勢變動較不明顯之國際遊客市場，以類神經網路預測 結果較佳。傳統的旅遊需求預測技術顯著集中於多種時間序列法和迴歸分析，這 些單一性以數學方程式為主的預測技術，雖然可達到一定程度的準確性，但仍無 法像類神經網路可表現出旅遊需求間的關係(Law, 2000)。Law 的研究也指出類神經 網路較時間序列法與迴歸分析更能準確預測線性間隔的旅遊需求，其實證結果也 發現對於非線性間隔的旅遊需求資料而言，以類神經網路中的倒傳遞運算法較迴 歸分析及類神經網路的前饋控制更能達到準確的預測。

國外學者 Calantone, Benedetto and Bojanic(1988)關於多種遊客量預測方法比 較之研究指出，利用合併預測方法預測遊客量，在制定預測決策時較單一預測方 法可使用較多資訊可供卂考。Calantone 等學者之結論重點在於使用多種方法合併 做預測時，各預測模式可加入不同的變數，此乃合併預測所產生之優點。 Song and Li(2008)彙整 2000 年至 2007 年間，於 SSCI 公開發表的 121 篇旅遊需求相關研究，

該研究指出沒有任何一種單一方法，在所有的情形之下，仍然優於其他研究方法。

本節彙整過去有關遊客需求預測的研究方法與成果，發現各種預測法皆各具 有其優缺點，基於本研究之研究目的，考量類神經網路其模擬人工神經結點的研 究方式，可使用更多、複雜的、無秩序性的變數進行預測，且對於非線性的基礎 資料，其研究準確度更勝傳統研究方法，故本文擬採用類神經網路中的倒傳遞運 算法進行研究。