Previsão dos Modelos Univariados e Rede Neural da Demanda Turística do Estado de Mato Grosso do Sul Outros Idiomas

ID:
56767
Resumo:
O objetivo deste artigo foi gerar previsões de curto, médio e longo prazos e comparar a precisão dos modelos em cada horizonte de previsão. Para atender o objetivo foram aplicados os modelos univariados e rede neural (NNAR) nos dados da demanda turística do estado de Mato Grosso do Sul (MS). A amostra foi coletada na ferramenta base de dados extrator do Instituto Brasileiro de Turismo (Embratur) referente as chegadas turísticas por todas as vias registradas no MS entre janeiro de 2007 a dezembro de 2017. As previsões dos modelos de previsão ARIMA, Holt-Winters (HW) versões aditiva e multiplicativa e NNAR foram projetadas, por meio da linguagem de programação R, com uso do soware R Studio. O procedimento empírico de execução dos scripts de todos os modelos foi disponibilizado. As predições fora da amostra da procura do turismo abrangeram o intervalo de janeiro até dezembro de 2018, sendo então comparadas aos dados reais do mesmo período. As previsões dos modelos foram comparadas no curto, médio e longo prazo mediante os critérios Mea Absolute Percentage Error (MAPE), Mean Absolute Deviation (MAD) e Mean Squared Error (MSD). A rede neural (NNAR) superou os modelos testados em diferentes horizontes de previsão e as medidas de erros mostraram que a NNAR é altamente precisa. Em segundo lugar no ranking de acuracidade destacou-se ARIMA. Os resultados mostraram que as previsões da rede neural auxiliam na tomada de decisão dos planejadores turísticos de MS. Para pesquisas futuras recomenda-se realizar previsões fora da amostra num amplo número de séries temporais.
Citação ABNT:
PORTO, B. M.; PHILIPPI, D. A.; LEITE, V. A. W. Previsão dos Modelos Univariados e Rede Neural da Demanda Turística do Estado de Mato Grosso do Sul. Caderno Virtual de Turismo, v. 19, n. 3, p. 1-19, 2019.
Citação APA:
Porto, B. M., Philippi, D. A., & Leite, V. A. W. (2019). Previsão dos Modelos Univariados e Rede Neural da Demanda Turística do Estado de Mato Grosso do Sul. Caderno Virtual de Turismo, 19(3), 1-19.
DOI:
https://doi.org/10.18472/cvt.19n3.2019.1520
Link Permanente:
http://www.spell.org.br/documentos/ver/56767/previsao-dos-modelos-univariados-e-rede-neural-da-demanda-turistica-do-estado-de-mato-grosso-do-sul/i/pt-br
Tipo de documento:
Artigo
Idioma:
Português
Referências:
ARCGIS. ESRI California: ESRI10.1. Redlands(Sothware), 2012.

BARBOSA, M. A. C.; ZAMBONI, R. A. Formação de um “cluster” em torno do turismo de natureza sustentável em Bonito–MS. Disponível em: . Acessoem:14ago.2017.

BONETT, D. G.; SEIER, E. Statistical Inference for a Ratio of Dispersions Using Paired Samples. Journal of Educational and Behavioral Statistics, v. 28, n. 1, p. 21-30, 2003.

BRANDON, C.; JARRETT, J. E.; KHUMAWALA, S. B. A Comparative Study of the Forecasting Accuracy of Holt# Winters and Economic Indicator Models of Earnings Per Share For Financial Decision Making. Managerial Finance, v. 13, n. 2, p. 10-15, 1987.

BROCKWELL, P. J.; DAVIS, R. A. Time series: theory and methods. [s.l.]. Springer-Verlag, 1991.

BUNDCHEN, C. Previsão de demanda turística e a acurácia das previsões frente à realização de megaeventos. 2016. Dissertação (Mestrado em Engenhari de Produção ), Programa de Pós graduação em Engenharia de Produção Universidade Federal do Rio Grande do Sul, Porto Alegre.

BUNDCHEN, C.; WERNER, L. Comparação da Acurácia de Previsões de Demanda Turística em Sedes Olímpicas. Turismo em Análise, v. 27, n. 1, p. 85-107, 2016.

CASANOVA, S. et al. Previsão da Demanda Turística da Cidade de Foz do Iguaçu: Uma Aplicação com os Modelos ARIMA. Revista Turismo Visão e Ação, v. 14, n. 3, p. 366-385, 2012.

CHATFIELD, C. Apples, oranges and mean square error. International Journal of Forecasting, v. 4, n. 4, p. 515-518, 1988.

CHATFIELD, C. The Holt-Winters Forecasting Procedure. Journal of the Royal Statistical Society, v. 27, n. 3, p. 264-279, 1978.

CHATFIELD, C.; YAR, M. Holt-Winters forecasting#: some practical issues. Journal of the Royal Statistical Society, Series D (the Statistician), v. 37, n. 2, p. 129-140, 1988.

CHO, V. A comparison of three different approaches to tourist arrival forecasting. Tourism Management, v. 24, p. 323-330, 2003.

CHU, F. L. Forecasting tourism demand in asian-pacific countries. Annals of Tourism Research, v. 25, n. 3, p. 597-615, 1998.

CLAVERIA, O.; TORRA, S. Forecasting tourism demand to Catalonia: Neural networks vs. time series models. Economic Modelling, v. 36, p. 220-228, 2014.

EMBRATUR. Acesse o extrator de dados.

EMBRATUR. Para que.

EMBRATUR. Termos e condições de uso.

EMBRATUR. Turismo já ajudou países a superar crises e pode fazer o mesmo no Brasil. EMBRATUR. O que é.

FLORES, B. E. A pragmatic view of accuracy measurement in forecasting. Omega, v. 14, n. 2, p. 93-98, 1986.

GOH, C.; LAW, R. Modeling and forecasting tourism demand for arrivals with stochastic nonstationary seasonality and intervention. Tourism Management, v. 23, n. 5, p. 499-510, 2002.

GOH, C.; LAW, R.; MOK, H. M. K. Analyzing and forecasting tourism demand: A rough sets approach. Journal of Travel Research, v. 46, n. 3, p. 327-338, 2008.

GUNTER, U.; ÖNDER, I. Forecasting international city tourism demand for Paris: Accuracy of uniand multivariate models employing monthly data. Tourism Management, v. 46, p. 123-135, 2015.

HASSANI, H. et al. Forecasting accuracy evaluation of tourist arrivals. Annals of Tourism Research, v. 63, p. 112– 127, 2017.

HYNDMAN, R. et al. Forecasting Functions for Time Series and Linear Models Package ‘forecast’CRAN, 2018. Disponível em:

HYNDMAN, R. J.; ATHANASOPOULOS, G. 1.6 The basic steps in a forecasting task. In: Forecasting: principles and practice. Melbourne, Australia: OTexts, 2018.

HYNDMAN, R. J.; ATHANASOPOULOS, G. 11.3 Neural network models. In: Forecasting: principles and practice. Melbourne, Australia: OTexts, 2018.

HYNDMAN, R. J.; ATHANASOPOULOS, G. 8.7 ARIMA modelling. in R. In: Forecasting: principles and practice. Melbourne, Australia: OTexts, 2018.

HYNDMAN, R. J.; KHANDAKAR, Y. Automatic time series forecasting: e forecast package for R. Journal Of Statistical Sothware, v. 27, n. 3, p. 2-22, 2008.

IBGE. Estados. Disponível em: . Acesso em:23nov.2017.

KAZMIER, L. J. Estatística aplicada à economia e administração. São Paulo: McGraw-Hill do Brasil, 1982.

KIM, J. H. et al. Beyond point forecasting: Evaluation of alternative prediction intervals for tourist arrivals. International Journal of Forecasting, v. 27, n. 3, p. 887-901, 2011.

LAW, R. Back-propagation learning in improving the accuracy of neural network-based tourism demand forecasting. Tourism Management, v. 21, n. 4, p. 331-340, 2000.

LEE, R.; QIAN, M.; SHAO, Y. On Rotational Robustness of Shapiro-Wilk Type Tests for Multivariate Normality. Open Journal of Statistics, v. 4, n. December, p. 964-969, 2014.

LEWIS, C. D. Industrial and business forecasting methods: A practical guide to exponential smoothing and curve fitting. Butterworth-Heinemann, 1982.

MAKRIDAKIS, S. A Survey of Time Series. International Statistical Review / Revue Internationale de Statistique, v. 44, n. 1, p. 29-29, 1976.

MAKRIDAKIS, S. Accuracy concerns measures: theoretical and practical concerns. International journal of forecasting, v. 9, p. 527-529, 1993.

MATO GROSSO DO SUL. Dossiê de candidatura à Rede Global de Geoparks Nacionais sob auspício da Organização das Nações Unidas para Educação, Ciências e Cultura.

MATO GROSSO DO SUL. Fundação de Turismo de MS–FUNDTUR: Indicadores Turísticos de MS.

MIN, J. C. H. Forecasting Japanese tourism demand in Taiwan using an intervention analysis. International Journal of Culture, Tourism and Hospitality Research, v. 2, n. 3, p. 197-216, 2008.

MINITAB Inc. Statistical Sothware Data Analysis Sothware. Version 18.1.0

NEWBOLD, P.; GRANGER, C. W. J. Experience with Forecasting Univariate Time Series and the Combination of Forecasts. Wiley for the Royal Statistical Society, v. 137, n. 2, p. 131–165, 1974.

PALMER, A.; JOSÉ MONTAÑO, J.; SESÉ, A. Designing an artificial neural network for forecasting tourism time series. Tourism Management, v. 27, n. 5, p. 781-790, 2006.

ROTTA, M. A.; LUNA, H. S. E; WEIS, W. A. Ecoturismo no Pantanal.

SERRA, C. M. V.; TAVARES, H. R.; SANTOS, J. C. C. Aplicação de séries temporais na análise de demanda turística no estado do Pará usando os modelos de Holt-Winters. In: Encontro Nacional de Engenharia de Produção - ENEGEP, XXV, 2005. Anais... Porto Alegre: 2005. Disponível em:

SILVER, M. Estatística para administração. São Paulo: Atlas, 2000.

SONG, H.; LI, G. Tourism demand modelling and forecasting-A review of recent research. Tourism Management, v. 29, n. 2, p. 203-220, 2008.

STEVENSON, W. J. Estatística aplicada à administração. São Paulo: Harper & Row do Brasil, 1981.

SZOPLIK, Jolanta. Forecasting of natural gas consumption with artificial neural networks. Energy, v. 85, p. 208-220, 2015.

THOMPSON, P. A. An MSE statistic for comparing forecast accuracy across series. International Journal of Forecasting, v. 6, n. 2, p. 219-227, 1990.