臺灣博碩士論文加值系統

本研究使用單一指數平滑法、H-W指數平滑法、複立葉級數分析、ARIMA模式與類神經網路共計五種模式，建立來台旅客人數預測模式。經由MAPE、RMSPE與泰勒不等係數指標，評估各種模式的預測能力，結果顯示H-W指數平滑法、ARIMA模式與類神經網路較適合於預測來台旅客人數。研究中運用倒傳遞類神經網路，在輸入層中適當的引入趨勢變化單元，能有效提高配適的精度；並經由敏感度分析篩選結果，能合理減少輸入層的單元數目；針對爆發SARS疫情的干擾事件，本研究在類神經網路輸入層中，引入持續性階梯脈動的干擾函數，經由學習配適過程與實證結果，顯示能精確的模擬SARS疫情干擾期間的偏離現象，而在未誘發事件時，亦能合理的預測來台旅客人數。根據本研究之預測結果，民國95年來台旅客人數約為350萬人次，民國96年來台旅客人數約為370萬人次。依此趨勢，民國97年要達成來台旅客500萬人次－「觀光客倍增計畫」的目標，仍有相當的差距。

In this study, five methods such as single exponential smoothing、H-W exponential smoothing、Fourier series analysis、ARIMA model and Artificial Neural Network were used to establish the Forecasting Models for the Visitor Arrivals in Taiwan. By using the MAPE、RMSPE and Theil’s Inequality Coefficient to access the forecast ability of above methods. The results suggested that H-W exponential smoothing、ARIMA model and Artificial Neural Network are more suitable to forecast the Visitor Arrivals in Taiwan. The Back-propagation Network, BPN, was used in this study to availably increase the precision of fitting by conducting the appropriate trend element in Input layer. Also from the results obtained from sensitivity analysis, it was able to reasonably reduce the number of element of input layer. In accordance with bursting SARS event, the intervention function of sustained unit step function was introduced into the Input layer of Artificial Neural Network in this study. This method was able to precisely simulate both the Outlier during the SARS bursting period and reasonably forecast visitor arrivals in Taiwan during general period. The forcast results indicated about 3 million 500 thousands visitor arrivals in Taiwan for 2006 and 3 million 700 thousands visitor arrivals in Taiwan for 2007. From this trend, it is still having a large gap to achieve the Tourist Doubled Plan as 5 million visitor arrivals in Taiwan for 2008.

中文摘要…………………………………………………………… Ⅰ
英文摘要…………………………………………………………… Ⅱ
誌謝………………………………………………………………… Ⅲ
目錄………………………………………………………………… Ⅳ
表目錄……………………………………………………………… Ⅵ
圖目錄……………………………………………………………… Ⅶ
符號說明…………………………………………………………… Ⅸ
第一章 緒 論
第一節 研究動機與目的………………………………………… 1
第二節 研究步驟與範圍………………………………………… 3
第三節 研究內容 ……………………………………………… 5
第二章 文獻回顧
第一節 旅客操作定義…………………………………………… 6
第二節 觀光需求預測…………………………………………… 7
第三節 觀光需求預測之類神經網路模式………………………… 9
第三章 來台旅客市場概況
第一節 來台旅客人數分析……………………………………… 12
第二節 來台旅客居住地分析…………………………………… 15
第三節 來台旅客目的分析……………………………………… 17
第四章 理論分析
第一節 預測方法 ……………………………………………… 19
第二節 評估準則 ……………………………………………… 31
第三節 離群值的偵測與修正…………………………………… 34
第五章 實證分析與預測
第一節 資料來源與處理………………………………………… 36
第二節 模式預測效能的探討…………………………………… 45
第三節 來台旅客人數預測分析………………………………… 64
第六章 結論與建議
第一節 結論…………………………………………………… 73
第二節 建議…………………………………………………… 74
參考文獻 ………………………………………………………… 76
附錄A …………………………………………………………… 79

一、中文部份：
江麗文(1995)。來華旅客需求計量經濟模式之研究。未出版碩士論文，文化大學觀光事業學系，台北。
吳柏林、賴家瑞與劉勇杉(1992)。台灣地區外籍觀光旅客人數預測模式之探討。國立政治大學學報，第68 期，267-291。
吳柏林(1995)。時間數列分析導論。
時巧偉(1994)。來華觀光旅客需求預測模式建立之研究。未出版碩士論文，國立政治大學統計學研究所，台北。
陳紹福(1984)。數量方法在觀光旅遊業之應用研究。未出版碩士論文，東海大學企業管理研究所，台中。
陳敦基(1991)。來華觀光旅客之需求特性與時間序列分析。觀光事業發展學術研討會論文集，台北，1-27。
陳淑貞(1992)。多維時間序列的主成份分析模型在來華觀光客人數預測上之應用。未出版碩士論文，國立中興大學統計學研究所，台北。
許德範(1978)。來華觀光旅客人數之時間序列分析與預測。未出版碩士論文，淡江大學管理研究所，台中。
施瑞賢(2003)。來華觀光旅客人數需求預測之研究。未出版碩士論文，朝陽科技大學休閒事業管理研究所，台中。
劉明得(1990)。多變量時間數列分析與應用。未出版碩士論文，國立政治大學統計研究所，台北。
曹勝雄、曾國雄與江勁毅(1996)。傳統計量迴歸、GMDH、類神經網路四種方法在預測應用之比較—以國人赴港旅客需求之預測為例。中國統計學報，34(2)，132-161。
挑戰2008：交通部觀光局( 2002)。
國家發展重點計劃( 2002-2007)，(2002)。
二、英文部份
Athiyaman, A. and Robertson, R.W. (1992). Time series forecasting techniques: Short-term planning in tourism. International Journal of Contemporary Hospitality Management, 4(4), 8-11.
Burger, C.J.S.C., Dohnal M., Kathrada, M. and Law, R. (2001). A practitioners guide to time-series methods for tourism demand forecasting- a case study of Durban, South Africa. Tourism Management, 22, 403-409.
Cho, V. (2003). A comparison of three different approaches to tourist arrival forecasting. Tourism Management, 24, 323-330.
Ensley, D. and Nelson, D.E. (1992). Extrapolation of Mackey-Glass Data Using Cascade Correlation. Simulation, 58(5), 333-339.
Han, J. and Kamber, M. ( 2001). Data mining concepts and techniques.
Jacobs, R.A. (1988). Increased rates of convergence through learning rate adaptation. Neural Network, Vol. 1, 295-307.
Law, R. and Au, N. (1999). A neural network model to forecast Japanese demand for travel to Hong Kong. Tourism Management, 20(1), 89-97.
Law, R. (2000). Back-propagation learning in improving the accuracy of neural network-based tourism demand forecasting. Tourism Management, 21(4), 331-340.
Ljung, G.M., and Box, G.E.P. (1978). On a measure of lack of fit in time series models. Biometrika, 65: 297-304.
Pankratz, A. (1983). Forecasting with univariate Box-Jenkins models: Concepts and cases. New York: John Wiley.
Pattie, D.C. and Snyder J. (1996). Using aneural network to forecast visitor behavior. Annals of Tourism Research, 23(1), 151-164.
Smith, M. (1993). Neural network for statistical modeling. Van Norstrand Reinhold, New York.
Witt, S.F. and Witt, C.A. (1995). Forecasting tourism demand: A review of empirical research. International Journal of Forecasting, 11(3), 447-475.
World Tourism Organization (1995). Concepts, Definitions and Classifications for Tourism Statistics. Madrid , Spain.