臺灣博碩士論文加值系統

觀光為二十一世紀各國皆重點發展之綠色產業，近年來臺灣之國際旅遊市場飛速成長，2015年底入境臺灣之國際旅客人次突破一千萬，當中一半以上為大陸及港澳旅客。觀光需求之預測是相當重要的，如能有效地預測觀光需求，觀光相關產業即能事先進行產能之調度調整，如是否進入市場、固定資產之增置變賣及人力增減等，政府亦能同時制定相適應的觀光政策，減少無效之人力及產能浪費。分析過去臺灣國際旅客市場之快速成長主要為大陸旅客成長之貢獻，本研究選定大陸旅客為研究對象，以2009年1月至2015年12月為研究期間，其中2009年1月至2014年12月為樣本內預測，2015年1月至2015年12月為樣本外預測，建立SARIMA模型、季節灰色GM(1,1)模型及季節倒傳遞類神經網路模型，並以MAPE及RMSPE為預測誤差指標，發現2015年之預測誤差較大且月份變動趨勢較為不同，因此加入2014年為樣本外預測之SARIMA模型、季節灰色GM(1,1)模型及季節倒傳遞類神經網路模型進行對照及比較。研究結果發現，季節倒傳遞類神經網路模型在2015三種模型中MAPE值及RMSPE值均最小，在2014三種模型中MAPE值最小，在大陸旅客來臺觀光需求預測方面有較佳之預測能力，因此本研究最終使用季節倒傳遞類神經網路模型進行2016年及2017年大陸旅客來臺之觀光需求預測。

There has been a growing interest in tourism demand forecasting over the past decades because of the constant growth of world tourism. Although there has the consensus on the need to develop more accurate forecasts and the recognition of their corresponding benefits, there is no one model that stands out in terms of forecasting accuracy.
Since 2008, the amount of Mainland tourists to visit Taiwan has been growing rapidly. This study aims to build SARIMA, seasonal GM(1,1) model and Back Propagation Neural Network model to forecast the tourism demand from Mainland to Taiwan.
This study chose the period from January 2009 to December 2015, 72 monthly data, to build SARIMA model, seasonal GM(1,1) model and seasonal Back Propagation Neural Network model, and evaluates the prediction by MAPE and RMSPE. Via comparing MAPE and RMSPE, we select seasonal Back Propagation Neural Network model which has the lowest MAPE to forecast 2016 and 2017 Mainland tourists to Taiwan.

第一章 緒 論 1
第一節 研究主題 1
第二節 研究動機與研究目的 7
第三節 研究途徑與研究方法 10
第四節 研究架構 12
第二章 文獻回顧 13
第一節 觀光需求預測 13
第二節 觀光需求預測方法 14
第三節 觀光需求預測文獻 20
第三章 理論基礎與計量模型 29
第一節 時間序列ARIMA及SARIMA模型 29
第二節 灰色預測GM(1,1)模型 33
第三節 倒傳遞類神經網路模型 35
第四節 預測誤差 39
第四章 實證結果比較分析 41
第一節 研究樣本及資料來源 41
第二節 SARIMA模型預測結果 42
第三節 GM(1,1)模型預測結果 46
第四節 倒傳遞類神經網路預測結果 50
第五節 分析及比較 54
第五章 結論 57
第一節 預測過程及結果 57
第二節 研究限制 59
參考文獻 61

一、中文文獻
專書
1.王進德（2007）。《類神經網路與模糊控制理論入門與應用》。台北市：全華2.科技圖書出版社。
3.朱浤源（1999）。《撰寫碩博士論文實戰手冊》。台北市：正中書局。
4.易丹輝（2002）。《數據分析與Eviews應用》。北京：中國統計出版社。
5.唐學斌（1992）。《觀光學導論》。台北市：豪峰出版社。
6.張斐章、張麗秋、黃浩倫（2003）。《類神經網路：理論與實務》。台北市：7.台灣東華出版社。
8.葉怡成（1995）。《類神經網路：模式應用與實作》。台北市：儒林出版社。
9.楊奕農（2005）。《時間序列分析－經濟與財務上之應用》。台北市：雙葉書廊
10.楊浩彥、郭迺鋒、林政勳（2013）。《實用財經計量方法-eviews之應用》。11.臺北市：雙葉書廊。
12.劉思峰（2014）。《灰色系統理論及其應用》。北京：科學出版社。

期刊論文
1.林惠玲、蘇鈺雯（2012）。〈臺灣觀光需求－停留天數與消費金額之實證研究〉，《戶外遊憩研究》25(1)：85-109。
2.洪國禎、吳國榮（2008）。〈改良式GM(1,1)灰預測模型於台電電量需求預測之研究〉，《工程科技與教育學刊》5(3)：446-458。
3.張育維（2011）。〈混合模式於觀光需求預測之研究〉，《管理實務與理論研究》5(3)：74-86。
4.張淑滿（2011）。〈開放大陸旅客來台觀光對我國經濟影響之一般均衡分析〉，《臺北海洋技術學院學報》4(2)：123-144。
5.蔡俞姍（2013）。〈兩岸旅行業在大陸旅客來台上的合作動態與機制〉，《當代中國研究通訊》20：32-35。
學位論文
1.江枝華（2013）。《所得稅稅收預測及其管理之研究》。台北：政治大學行政管理碩士學程，碩士論文。
2.邱一薰（2005）。《類神經網路預測台灣50股價指數之研究》。彰化：資訊管理學研究所，碩士論文。
3.何冠穎（2013）。《運用動態擴散模型建立觀光需求預測模式》。臺南：國立成功大學工業與資訊管理研究所，碩士論文。
4.林雅文（2012）。《以時間序列分析臺灣開放大陸遊客對日本遊客的排擠效應》。嘉義：南華大學旅遊事業管理研究所，碩士論文。
5.林長瑞（2014）。《大陸旅客來臺觀光需求預測模式之建構：多元適應性雲行迴歸、類神經網路及支援向量迴歸之應用》。新北：輔仁大學商學研究所，博士論文。
6.徐瑞玲（1986）。《時間序列模型建立之各種分析方法之比較與實證研究》。台北：政治大學統計研究所，碩士論文。
7.徐翊芳（2013）。《中國大陸人民來臺觀光需求之研究》。台北：國立臺灣大學經濟學系在職專班，碩士論文。
8.張家瑄（2005）。《亞洲地區對台灣旅遊需求之預測》。臺北：國立國立臺灣大學國家發展研究所，碩士論文。
9.陳一志（2007）。《台灣地區出國人次之預測－灰色預測法、類神經網路、ARIMA與SARIMA模型之應用》。台北：國立國立臺灣大學國家發展研究所，碩士論文。
10.張良勇（2010）。《基於自適應網路模糊推理系統的旅遊需求預測分析研究：以2000-2008年日本至中國月度旅遊需求為例》。甘肅：西北師範大學旅遊管理研究所，碩士論文。
11.黃姿瑄（2012）。《預測澳門旅遊需求：二次曲線模型的應用》。臺北：國立國立臺灣大學國家發展研究所，碩士論文。
12.黃筠芸（2013）。《預測澳門旅遊需求：灰色理論的應用》。臺北：國立國立臺灣大學國家發展研究所，碩士論文。
13.蔡佳雯（2011）。《大陸來台人數之預測及消費潛力分析》。臺南：長榮大學國際企業研究所，碩士論文。
14.羅偉榮（2008）。《灰預測GM(1,1)模型背景值及殘差修正方法之探討》。臺南：南台科技大學，碩士論文。
15.蘇鈺雯（2013）。《國際觀光需求研究－開放政策、匯率與世界遺產之影響》。臺北：國立國立臺灣大學經濟學研究所，博士論文。
政府委託計畫
1.陳家瑜（2008）。《我國觀光發展政策之研究》（行政院研究發展考核委員會RDEC-RES-098-008）。台北市：行政院。

統計資料庫
1.交通部觀光局（2015）。〈觀光統計年報〉。

二、英文文獻
1.Archer, B. H., (1980), “Forecasting Demand: Quantitative and Intuitive Techniques.” International Journal of Tourism Management, 1: 5-12.
2.Baldigara, T. and Mamula M.(2015), “Modeling International Tourism Demand Using Seasonal ARIMA Models” Tourism and Hospitality Management, 21(1): 19-31.
3.Burger, C. J. S. C. (2001), “A Practitioners Guide to Time-series Methods for Tourism Demand Forecasting–A Case Study of Durban.” South Africa Tourism Management, 22(4): 403-409.
4.Borhan, Nurbaizura and Arsad, Zainudin (2013). “Forecasting International Tourism Demand From the US, Japan and South Korea to Malaysia: A SARIMA Approach.” Paper presented at the AIP Conference Proceedings, Penang, Malaysia, November 6-8.
5.Box, G. E. P. and Jenkins, G. M., (1976), Time Series Analysis: Forecasting and Control, 2nd edition, San Francisco: Holden-Day.
6.Chan, Y. M.(1993), “Forecasting Tourism: A Sine Wave Time Series Regression Approach.” Journal of Travel Research, 32: 58-60.
7.Chu, F. L.,(1998a), “Forecasting Tourism Demand in Asian-Pacific Countries.” Annuals of Tourism Research, 5(3): 319-327.
8.Chu, F. L.,(1998b), “Forecasting Tourism: A Combined Approach.” Tourism Managements, 19(6): 515-520.
9.Chu, F. L.,(2004), “Forecasting Tourism Demand: A Cubic Polynomial Approach.” Tourism Managements, 25: 209-218.
10.Chu, F. L.,(2009), “Forcasting Tourism Demand With ARMA-Based Methods.” Tourism Managements, 30: 740-751.
11.Chu, F. L.,(2011), “A Piecewise Liner Approach to Modeling and Forecasting Demand for Macau’s Tourism.” Tourism Managements, 32: 1414-1420.
12.Chu, F. L.,(2014), “Using a Logistic Growth Regression in Las Vegas.” Tourism Managements Perspectives, 12: 62-67.
13.Chia-Ling, Chang and Songsak, Sriboonchitta and Aree, Wiboonpongse(2009), “Modelling and Forecasting tourism from East Asia to Thailand Under Temporal and Spatial Aggregation.” Mathematics and Computers in Simulation, 79(5): 1730-1744.
14.Clark, Hu (2002). Advanced Tourism Demand Forecasting: Artificial Neural Network and Box-Jenkins Modeling. Unpublished doctoral dissertation, Purdue University, US.
15.Douglas, C. Pattie and John Snyder. (1996). “Using A Neural Network to Forecast visitor behavior.” Annals of Tourism Research 23(1): 151-164.
16.Fritz, R. G., C. Brandon, and J. Wander. (1984). “Combining Time Series and Econometric Forecast of Tourism Activity.” Annals of Tourism Research 1: 171-176.
17.Frechtling, Douglas Carleton (2001). Forecasting tourism demand: methods and strategies. Oxford ; Boston: Butterworth-Heinemann.
18.Haiyan, Song and Gang, Li (2008), “Tourism Demand Modelling and Forecasting—A Review of Recent Research.” Tourism Management 29(2): 203-220.
19.Law, R. and N. Au, (1999),“A Neural Network Model to Forecast Japanese Demand for Travel to HongKong.” Tourism Management 20(1): 89-110.
20.Lewis, C. D.(1982). Industrial and Business Forecasting, London: Butterworths.
21.Lim, Christine and MacAleer, Michael(2001),“Time Series Forecasts of International Tourism Demand for Australia.”ISER Discussion Paper, Institute of Social and Economic Research, Osaka University, No. 533
22.Loganathan, Nanthakumar., Thirunaukarasu, Subramaniam., and Mori, Kogid. (2012). “Is ‘Malaysia Truly Asia’? Forecasting Tourism Demand From Asean Using SARIMA Approach.” Tourismos: An International Multidisciplinary Journal of Tourism 7(1): 367-381.
23.Martin, C. A. and S. F. Witt, (1989), “Forecasting Tourism Demand: A Camparison of the Accuracy of Several Quantitative Methods.” International Journal of Forecasting 5: 7-19.
24.N. Kulendran and Maxwell L. King., (1997), “Forecasting International Quarterly Tourist Flows Using Error-correction and Time-series Models.” International Journal of Forecasting 13: 319-327.
25.Oscar, C. and Salvador, T. (2014), “Forecasting Tourism Demand to Catalonia: Neural Networks vs. Time Series Models.” Economic Modelling 36: 220-228.
26.Pilar, Gonzalez and Paz, Moral (1995), “An Analysis of the International Tourism Demand in Spain.” International Journal of Forecasting, 11:233-251.
27.Stephen L. J. Smith (1995). Tourism Analysis: A Handbook,. 2nd.Edition,. London: Longman.
28.Witt, Christine. A. and Witt, Stephen. F. (1991), “Tourism Forecasting : Error Magnitude Direction of Change Error and Trend Change Error.” Journal of Travel Research 30: 22-28.