پیش بینی تقاضا

بخش بهداشت و درمان و زیرساخت های مورد نیاز آن هم در بخش نرم افزاری و هم در بخش سخت افزاری همواره مورد توجه بوده است. در این میان اهمیت تجهیزات و اقلام پزشکی در سیستم سلامت کشور بر هیچ کس پوشیده نیست. سازمان ها و شرکت های فعال در این بخش باید بتوانند تصمیمات صحیح را با توجه به اطلاعات موجود در محیط پر نوسان کسب و کار امروز اخذ نمایند. بنابراین، تخمین مقدار تقاضا در دوره های آتی موضوعی حیاتی به نظر می رسد. روش و ابزارهای مختلفی برای انجام پیش بینی تقاضا وجود دارد که هر یک مزیت ها و نقاط ضعف مخصوص به خود را دارند. در این مقاله با استفاده از یک شبکه عصبی مصنوعی چند لایه پیشخور با دو لایه پنهان که با الگوریتم ژنتیک به عنوان الگوریتم یادگیری آموزش داده شده است، سیستمی مقایسه ای با روش رایج مورد استفاده در پیش بینی (روش باکس – جنکینز) با مدل ARIMA(2,1,1) برای پیش بینی تقاضای دستگاه سی تی اسکن ارائه شده است که با توجه به معیار سنجش دقت مدل ها یعنی میانگین مجذور خطا (MSE)، مدل شبکه عصبی اثربخشی و کارایی بیشتری را در مقابل با روش آریما در پیش بینی تقاضای دستگاه سی تی اسکن با توجه به داده ها و اطلاعات موجود از خود نشان داده است.

پیش بینی شمار ورود گردشگران، اهمیت ویژه ای برای گردشگری و فعالیت های وابسته به گردشگری دارد؛ چرا که پیش بینی، شاخصی برای تقاضای آینده بوده و به موجب آن، در پی فراهم کردن اطلاعات پایه برای برنامه ریزی و سیاست گذاری های پی درپی است. در برنامه ریزی گردشگری، پیش بینی تعداد گردشگران بیشترین ارتباط و کاربرد را در مبحث مدیریت گردشگری دارد؛ زیرا یکی از ابعاد اصلی برای برنامه ریزی گردشگری، برنامه ریزی بازاریابی آینده نگر است. تعداد گردشگران با عرضه و تقاضای بازار ارتباط مستقیم دارد. مدیران و برنامه ریزان مرتبط با گردشگری، باید از یک سو در تلاش برای رفع نیاز گردشگران و ارائه تسهیلات بهتر به آنها باشند و از سوی دیگر، محصولات وابسته به گردشگری ماهیتی ذخیره شدنی و انبارکردنی ندارند. چنانکه اتاق یک هتل که یک شب رزرو نشود، صندلی یک هواپیما که مسافری برای آن پیدا نشده و میز یک رستوران که خالی مانده است، منافعی است که از دست رفته و امکان ذخیره کردن برای آینده وجود ندارد و این خود لزوم اطلاع از ورود گردشگران را برای مدیران مرتبط با این فعالیت ها دوچندان می کند. بر همین اساس پیش بینی درست تقاضای گردشگران، می تواند به کاهش ریسک در تصمیم گیری و هزینه منجر شود و این مهم با اطلاع از تقاضای گردشگران به منطقه و نیازهایشان در آینده حاصل می شود. برای پیش بینی تقاضای گردشگر، از مدل های گوناگونی چون مدل های سری زمانی، آریما، سیستم های عصبی فازی، سیستم های ماشین بردار و مانند آنها استفاده می شود که در این پژوهش، از مدل سری زمانی آریما استفاده شده است. نتایج نشان داده است که الگوی پیش بینی تقاضای گردشگر در مجموعه تاریخی فرهنگی تخت جمشید، بر اساس داده های رسمی سال های 1376 تا 1389مجموعه پارسه پاسارگاد، فصلی بوده و لذا مدل های آمیخته فصلی برای گردشگران داخلی و خارجی، به طور مجزا برآورد شده است.

در مقایسه با روش های معمول، شبکه عصبی مصنوعی (ANN) یکی از ابزار قابل اعتماد برای مدل سازی پدیده های پیچیده مانند تقاضا است. هدف از این مطالعه ارائه مدل تقاضای بنزین در بخش حمل و نقل شهری تهران از طریق شبکه عصبی پروپرترون چند لایه و استفاده از مدل ارائه شده در تحلیل حساسیت مدل به متغیرهای ورودی و پیش بینی تقاضای بنزین است. هفت شاخص اجتماعی و اقتصادی در ماه های 2010 تا 2018 به صورت ماهیانه در نظر گرفته می شود: قیمت سوخت، جمعیت، درآمد خانوار متوسط، ضریب جینی، نسبت خودرو نسبت به خودروهای ترکیبی / بنزین، شاخص قیمت کالاها و خدمات و طول عمر وسایل نقلیه. میانگین خطای٪ 8/8 و٪ 4،6 برای داده های آموزشی و آزمون به دست آمد. نتایج تجزیه و تحلیل حساسیت نشان داد که نسبت خودروهای هیبریدی/ بنزینی (۲.۵۸-)، جمعیت تهران (۱.۵۹۶) و میانگین عمر وسایل نقلیه (0.698) تاثیر بیشتری بر تقاضای بنزین در بخش حمل و نقل دارند. مصرف سوخت توسط سه سناریوی متفاوت متوسط، بدبین و خوش بینانه تا سال 2022 پیش بینی شده است. نتایج پیش بینی شده نشان می دهد که در صورت ادامه روند فعلی متغیرهای توصیفی مدل، تقاضای بنزین در بخش حمل و نقل تهران تا سال 2022 افزایش خواهد یافت .

در سال های اخیر با تغییر الگوی تعطیلات و شکل گیری تعطیلات کوتاه مدت، شهرها فرصتی برای توسعه گردشگری پیدا کردند. به همین منظور پژوهش حاضر سعی دارد ابتدا 4 نوع از مهمترین انواع گردشگری داخلی شهر تهران را شناسایی و سپس مدل هایی برای پیش بینی متغیرهای تأثیرگذار بر پیش بینی تقاضای هر یک از آنها پیشنهاد کند. برای این کار از اطلاعات حتی المقدورماهیانه بین سال های 1381 تا 1394 استفاده شده است. متغیر مستقل این تحقیق تعداد گردشگران داخلی شهر تهران به تفکیک 4 نوع از مهم ترین انواع گردشگری داخلی شهر تهران است و متغیرهای وابسته نیز بر اساس روش دلفی فازی و دیماتل فازی انتخاب شدند، چارچوب مدل، ترکیبی از رگرسیون، شبکه عصبی فازی و الگوریتم SVR است که با ترکیب این روش ها می توان خطای پیش بینی را اندازه گیری و روش ها را باهم مقایسه کرد. نتایج این پژوهش نشان می دهد رویکرد ترکیبی رگرسیون و شبکه های عصبی فازی (ANFIS ) دارای کمترین خطا در مقایسه با سایر روش ها در خصوص پیش بینی گردشگری تفریحی و VFR داخلی و رویکرد ترکیبی رگرسیون و الگوریتم SVR دارای کمترین خطا در مقایسه با سایر روش ها در خصوص پیش بینی گردشگری پزشکی و تجاری- اداری داخلی است.

یکی از مهم ترین رویدادها در صنعت گردشگری هر کشور میزان تقاضا برای یک محصول یا مقصد گردشگری است، اما باید توجه داشت که پیش بینی ها هرگز نمی توانند کاملاً با آنچه در عمل پیش خواهد آمد تطابق داشته باشند. همیشه فواصل و انحرافاتی بین مقادیر واقعی و پیش بینی وجود خواهد داشت، اما استفاده از روش های علمی و نوین در امر پیش بینی باعث خواهد شد که نتایج به مراتب بیش از یک تخمین عینی به حقیقت نزدیک شود. در سال های اخیر با تغییر الگوی تعطیلات و شکل گیری تعطیلات کوتاه مدت، شهرها فرصتی برای توسعه گردشگری پیدا کردند. یکی از مهم ترین انواع گردشگری داخلی شهر تهران، بر اساس گزارش مرکز ملی آمار و دیدگاه های صاحب نظران این حوزه، گردشگری فرهنگی است. ازاین رو، پژوهش پیش رو سعی دارد مدل هایی را برای پیش بینی تقاضای گردشگری فرهنگی داخلی شهر تهران پیشنهاد کند. برای این کار از اطلاعات ماهیانه سال های 1381 1398 استفاده شده است. متغیر مستقل این پژوهش تعداد گردشگران فرهنگی داخلی شهر تهران است و متغیرهای وابسته نیز بر اساس تکنیک دلفی و دیماتل فازی انتخاب شدند. چارچوب مدل ترکیبی از رگرسیون، شبکه عصبی فازی و الگوریتمSVR  است که با ترکیب این روش ها می توان خطای پیش بینی را اندازه گیری کرد و روش ها را با هم مقایسه کرد. نتایج این پژوهش نشان می دهد رویکرد ترکیبی رگرسیون و الگوریتم SVR پیشنهادی می تواند پیش بینی بهتری نسبت به سایر روش ها در خصوص گردشگری فرهنگی داخلی داشته باشد.

با توجه به افزایش شمار گردشگران بین المللی و نقش روز افزون صنعت گردشگری در اقتصاد کشورها، شناسایی عوامل مؤثر در جذب گردشگران بین المللی بیش از پیش ضروری جلوه می کند. دولت ها و بخش خصوصی به منظور توسعه، رقابت و بقاء در صنعت گردشگری نیازمند شناسایی عوامل مؤثر و پیش بینی تقاضای گردشگری می باشند. هدف اصلی این پژوهش به کارگیری تکنیک های اقتصاد سنجی پنل دیتا در بررسی عوامل مؤثر در جذب گردشگران بین المللی به ایران و تخمین تابع تقاضا با استفاده از مدل جاذبه می باشد. متغیر وابسته این پژوهش تعداد گردشگران ورودی به ایران به تفکیک از 53 کشور در سال های 2013-2009 و متغیرهای مستقل تولید ناخالص داخلی سرانه، فاصله جغرافیایی، جمعیت، نرخ ارز بر حسب قیمت واقعی سال 2010، تعداد تخت های هتل، جاذبه های ثبت جهانی و شاخص برند کشور می باشند که داده های آنها از مراکز اطلاعاتی داخلی و بین المللی استخراج و با استفاده نرم افزار Eviews بررسی شده است. نتایج حاکی از آن است که تمامی متغیرها به جزء جاذبه های ثبت جهانی از لحاظ آماری معنادار می باشند. متغیر شاخص برند با ضریب 19/18 بیش ترین تأثیر را بر تقاضای گردشگری و بعد از آن تعداد تخت های هتل با ضریب 89/1 دومین عامل اثرگذار است. متغیر فاصله ی جغرافیایی با ضریب 56/2- تنها عامل منفی در جذب گردشگران می باشد.

آینده پژوهی مبتنی بر داده های گذشته، یکی از راهنمایان و راهگشایان مدیران و تصمیم گیران در تصمیم گیری است. امروزه پیش اندیشی، پیش بینی و پیش نگاری، یکی از حوزه های کلیدی مدیریت است و برای افزایش کیفیت خدمات مختلف، کاهش هزینه ها، و انطباق خدمت با منطقه ی نیاز خدمت از حیث زمان و مکان، شدیداً لازم و مورد توجه است. در این پژوهش، به همین منظور، با استفاده از مدل گسسته ی مارکوف خاکستری، به پیش بینی میزان تقاضای گردشگری زیارتی اربعین توسط زائران ایرانی در منطقه ی هدف پرداخته شده است. صنعت گردش گری یکی از صنایع کلیدی جوامع امروز است. یکی از شاخه های کلیدی این صنعت در مقیاس جهانی، شاخه ای است به نام گردش گری مکان های مذهبی که در تفکر دینی ذیل عنوان مشخص زیارت، دسته بندی شده و مورد پژوهش قرار می گیرد و به طور کلی، آن شکل و بخشی از گردش گری است که به نحوی به بازدید از یکی از مکان های مقدس و معمولاً شاهد و مراقد و مدافن بزرگان دین مرتبط است. یکی از مهمترین نقاط زیارتی جهان، شهر مقدس کربلا است که مشهد و مرقد امام سوم شیعیان، امام حسین علیه السلام و برادر ایشان، عباس بن علی علیه السلام است. همه ساله، در چهلمین روز شهادت ایشان (روز اربعین)، حجم زیادی از زائران، به صورت پیاده، فاصله ی شهرهای نجف تا کربلا را سپری می کنند. در سالیان اخیر و پس از سقوط دیکتاتوری رژیم بعث در عراق، امکان حضور جمعیت فراوانی در این مراسم زیارتی، فراهم شده است. همه گیری کرونا، برای چند سالی، روند رو به رشد زائران اربعین را دچار خدشه کرد اما با از سرگیری مجدد زیارت اربعین، طبیعی است که دولت های مرتبط با این اتفاق، باید برای برگزاری باشکوه تر این مراسم، برنامه ریزی ها و طراحی های دقیق تری را صورت دهند. گام نخست این برنامه ریزی ها، براورد و پیش بینی دقیق تر تعداد زائران شرکت کننده در این واقعه است.

پذیرش کانال های آنلاین و تجارت الکترونیک، به تغییرات مداوم و پویا در صنعت خرده فروشی، به عنوان یک توسعه اجتناب ناپذیر منجر شده و بسیاری از شرکت ها را با چالش انتخاب مناسب ترین کانال فروش، برای ارائه یک تجربه یکپارچه به مشتریان خود مواجه کرده است. خرده فروشی همه جانبه یکپارچه، با مفهوم ادغام همه کانال ها، ضمن ایجاد تجربه مذکور، باعث افزایش پیچیدگی فرآیندهای پیش بینی و برنامه ریزی می شود. این پژوهش با هدف کاهش عدم اطمینان تقاضای ناشی از خطای پیش بینی، ازطریق در نظر گرفتن رفتار خرید مشتریان در پیش بینی و به کمک استفاده از روش های یادگیری ماشین، روشی دقیق تر برای پیش بینی تقاضای کانال همه جانبه یکپارچه ارائه کرده است. به این منظور، ابتدا داده های فروش شرکت مطالعه شده، جمع آوری و با استفاده از الگوریتم پیچش زمانی پویا خوشه بندی شد؛ سپس بر هر خوشه یک بار شبکه عصبی اتو رگرسیو غیرخطی و بار دیگر، شبکه عصبی اتو رگرسیو غیرخطی با ورودی برون زا اجرا و نتایج حاصل از شبکه های عصبی با معیارهای ارزیابی عملکرد R 2 و RMSE با روش استفاده شده در شرکت مطالعه شده، مقایسه شد. مقایسه نتایج نشان داد عملکرد شبکه عصبی اتو رگرسیو غیرخطی، با ورودی برون زا بر داده های خوشه بندی شده به روش پیچش زمانی پویا، برای کاهش خطای پیش بینی تقاضا در کانال همه جانبه یکپارچه، نسبت به دو روش دیگر برتری دارد.