Forecasting the Number of International Tourists in Thailand by using the SARIMA Intervention Model

Μέγεθος: px

Εμφάνιση ξεκινά από τη σελίδα:

Download "Forecasting the Number of International Tourists in Thailand by using the SARIMA Intervention Model"

ÏἈχαϊκός Πρωτονοτάριος
5 χρόνια πριν
Προβολές:

1 ก ก ก SARIMA Intervention Forecasting the Number of International Tourists in Thailand by using the SARIMA Intervention Model 1 กก Akarapong Untong 1 and Paweena Khampukka 2 1. Social Research Institute, Chiang Mai University 2. Faculty of Management Science Ubon Rajathanee University ก ก ก ก ก ก ก ก ก ก ก ก ก Intervention ก ก ก ก ก SARIMA Intervention ก ก ก ก ก ก ก ก กก (Root Mean Square Error: RMSE) ก 17 ก ก 6.89 ก ก กก ก ก ก ก ก ก ก 4 5 : ก ก ก SARIMA Intervention

2 กก ก ก ก SARIMA Intervention Abstract An assortment of crises has affected the number of international tourists visiting Thailand. Despite having a plethora of measurement techniques, it is still difficult to forecast the uncertain number of future tourists. One of the most well-known techniques that could be used to address this case is the Intervention Model. This study aims to apply the technique called SARIMA Intervention to form a proper equation that could be used to predict the number of international tourists visiting Thailand from 2007 to 2011, based on monthly data from January 1985 to December Low Root Mean Square Error (RMSE) value gained from this model indicates high precision of the model. This model predicted that in 2011, Thailand will have 17 million international tourists worth 6.89 billion Baht. Of these international tourists, the fastest growing group will be from Oceania and the Middle East, Followed by Europe, America and South Asia respectively. For the tourists from East Asia and Africa, the growth rate will be the lowest at 4 5% per year. Keywords: International Tourism, Forecasting, SARIMA Intervention ก 9 กก ก ก 270,000 ก ก ,000 ก ก (ก, 2549) ก ก ก ก ก ก ก ก ก 5 ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก (9-11) ก ก (SARS) ก ก ก (Bird Flu) ก ก ก ก ก ก (SARS) ก ก ก 197

3 ก ก 2552 ก (Bird Flu) ก ก ก ก (9-11) ก ก ก ก ก ก (Akarapong et al., 2005) ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก 5 ( ) ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก (Exponential Smoothing) ก ก (Decomposition) ก (Multiple Regression Method) ก Neural Network ก ก ก (Box and Jenkins) ก ก ก Box and Jenkins ก ก ก George E.P. Box Gwilym M. Jenkins ก ก (Mean Square Error : MSE) ก ก ก ก ก ก ก ก ก ก ก SARIMA Intervention Analysis ก ก ก ก Box and Jenkins ก ก. ก ก Box and Jenkins ก ก ARIMA (p,d,q) ก 3 ก AutoRegressive AR : (p), Integrated (I) Moving Average MA : (q) AR (p) ก y t ก y t-1,,y t-p ก ก ก p MA (q) ก y t ก 198

4 กก ก ก ก SARIMA Intervention ε t-1,,ε t-q ก q Integrated (I) ก (difference) ก ก ก ARIMA ก ก (stationary) ก ก ก (nonstationary) ก ก ก ก ก ก ก natural logarithm ก ก ARIMA ARIMA ก ก d φ ( B) y t=δ+θ(b) ε t (1) 2 p φ( B) = 1 φ1b φ2b Κ φpb 2 q θ( B) = 1 θ1b θ2b Κ θqb y t = ก ก t B = backward shift operation Bm = y t m d = ก ก (stationary) p = ก (Autoregressive Order) q = (Moving Average) δ = (Constant Term) φ 1,..., φ p = ก (Autoregressive parameter) θ 1,..., θ q = (Moving Average parameter) ε t = ก ก white noise ก t ก ก ก ก ε 2 ~ N 0σ ] [ ( ) t, ก ก (1) d y =δ+φ y t 1 d t 1 +φ y 2 d t 2 + Κ +φ y +ε θε Κ θε (2) p d t p t 1 t 1 q t q 199

5 ก ก 2552 ก ก (2) ก ก ก Box and Jenkins ก ก ก ก (stationary) ก (invariability) (stationary) AR(p) E(y t ) V(y t ) cov (y t,..,y t-k ) ก lag k ก (invertible) MA (q) ก ก ε t y t, y t-1 (, 2539). ก ก Box and Jenkins ก ก ก ก ARIMA ก ก ก ก ARIMA ก SARIMA (Seasonal Integrated AutoRegressive and Moving Average) ก ก ก 3 ก Seasonal AutoRegressive SAR : (P), Integrated (I) Seasonal Moving Average SMA: (Q) SAR (P) ก X t ก X t S, Κ, X t PS MA (Q) ก X t ก εt S, Κ, εt PS Integrated (I) ก (difference) ก SARIMA (P,D,Q) S ก ก SAR P, SMA Q D ก S 2S PS S D ( 1 ΦΒ 1 Φ 2Β Κ Φ PΒ )( 1 Β ) X t S 2S QS = δ+ ( 1 ΘΒ 1 Θ2Β Κ ΘQΒ ) ε t Φ 1,..., Φ P = ก ก ก ก Θ 1,..., Θ Q = ก ก ก SARIMA (P,D,Q) S ก ก ก ก ก ก ก S, 2S,, PS ก ก SARIMA (P,D,Q) S ก ก 200

6 กก ก ก ก SARIMA Intervention ก ก ก ก Box and Jenkins ก ก (multiplicative seasonal model) ก ก ก ก ก ( ก, 2539) S PS p S D d ( 1 ΦΒ 1 Κ Φ PΒ )( 1 φβ 1 Κ φ pβ )( 1 Β ) ( 1 Β) X t δ+ S QS q 1 ΘΒ 1 Κ Θ Β 1 θβ Κ θ Β ε = ( Q )( 1 q ) t ก SARIMA (p,d,q)(p,d,q) S ก ก ก 2 ก ก ก ARIMA (p,d,q) 2 p d ( 1 φβ φ 1 2Β Κ φpβ )( 1 Β) X t 2 q = δ1+ ( 1 θβ θ 1 2Β Κ θqβ ) ε t ก ก SARIMA (P,D,Q) S S 2S PS S D ( 1 ΦΒ 1 Φ 2Β Κ Φ PΒ )( 1 Β ) X t S 2S QS = δ2+ ( 1 ΘΒ 1 Θ2Β Κ ΘQΒ ) ε t. ก ก Box and Jenkins ก Box and Jenkins ก ก (nonstationary) ก ก (stationary) ก ก ก ก (stationary) ก ก ก ก natural logarithm ก ก ( stationary) ก Box and Jenkins (, 2539) 1. ก (identification) ก ก ก ก r k r kk ก 2. (estimation) ก ก (Ordinary Least Square Method: OLS) 201

7 ก ก (diagnostic checking) ก ก ก ก ( กก ก ) ก ก ก t (t statistic) ก ก Box and Pierce ก Box and Ljung 4. ก ก (forecasting) ก ก ก ก ก ก ก ก ก ก (point forecast) ก ก (interval forecast) ก ก ก Box and Jenkins ก. ก ก SARIMA Intervention Analysis ก ก ก ก ก / ก ก ก ก ก ก ก ก ก ก ก ก ก Intervention ก ก SARS ก ARIMA Intervention Model ก Box and Tiao ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก (special case) Transfer Function ก ARIMA Intervention ก 2 ARIMA Intervention Model = Intervention Function + ARIMA noise Model Y t = f ( I t ) + N t Y t = ก t ก stationary f ( I t ) = ก dummy intervention t I t = 1 ก Intervention I = 0 ก Intervention t 202

8 กก ก ก ก SARIMA Intervention N t = noise series ก ก Intervention ARIMA ARIMA (p,d,q) SARIMA (P,D,Q) L ก Intervention ก ก 2 ก ก (Step Function) ก (Pulse Function) Intervention 2 ก ก ก Dummy ก ก ก (Min, J.C.H. and WU, B.W.P., 2006) ก. Step Function ก Intervention ก t ก Dummy Intervention ก ก T 0, t< T S t = 1, t T. Pulse Function ก Intervention ก ก Dummy Intervention T 0, t= T P t = 1, t T ก SARIMA Intervention ก ก ก 3 (Enders, 2004) 1. ก SARIMA ก ก ก ก ก Intervention ก ก Intervention 4 ก ก 9-11, ก ก (SARS), ก ก ก (Bird Flu) (Tsunami) 2. ก SARIMA Intervention ก ก 3. SARIMA Intervention 203

9 ก ก 2552 ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก SARIMA Intervention ก. SARIMA ก Intervention SARIMA ก Intervention ก ก ก ก ก (Identification) SARIMA (p,d,q)(p,d,q) S (Seasonal Integrated Autoregressive and Moving Average : SARIMA) ก ก กก ก (Autocorrelation Function: ACF) (Partial Autocorrelation Function: PACF) ก ก ก (residual) กก ก Box and Pierce (Box and Ljung) Q SARIMA (p,d,q)(p,d,q) S ก 1 1 ก SARIMA ก ( ) SARIMA ก (0 1 1) (0 1 1)12 ก (0 1 1) (0 1 1) (0 1 1) (0 1 1) (0 1 1) (0 1 1) (0 1 1) (0 1 1) (1 1 1) (1 0 1)12 ก (0 1 1) (0 1 1) (0 1 2) (0 1 1)12 204

10 กก ก ก ก SARIMA Intervention 1 ( ) ก SARIMA ก ( ) SARIMA ก (1 1 1) (0 1 1) (0 1 1) (0 1 1) (0 1 1) (0 1 1) (2 0 0) (1 1 0) (0 1 1) (0 1 1) (1 1 2) (1 1 0)12 ก (0 1 1) (1 1 1)12 ก (0 1 1) (0 1 1) (0 1 1) (0 1 1)12 ก (0 1 1) (0 1 1) (0 1 1) (0 1 1) (1 1 2) (0 1 1) (2 1 1) (0 1 1) (0 1 1) (0 1 1)12 กก (0 1 3) (0 1 1)12 ก (0 1 1) (0 1 1)12. SARIMA Intervention ก ก SARIMA Intervention ก ก ก ก ก Intervention 4 ก ก 9-11 ก ก (SARS) ก ก ก (Bird Flu) (Tsunami) ก ก Intervention ก ก ก ก Akarapong et al. (2005) ก ก X-12-ARIMA ก ก ก Intervention Dummy SARIMA Intervention Intervention ก ก ก ก Intervention ก ก ก ก ก ก 2 205

11 ก ก ก ก (%) 11-Sep-44 SARS Bird Flu Tsunami ( ) (%) ( ) (%) ( ) (%) ( ) ก ก ก ก ก ก ก กก ก กก ก SARIMA Intervention ก กก ก (Ordinary Least Square Method: OLS) ก ( y t ) ( y ˆ t ) ก ก ก ก ก ก ก ก ก ก 2 206

12 กก ก ก ก SARIMA Intervention SARIMA Intervention SARIMA Intervention & Level Shift ก ก ก ก Outliers. SARIMA Intervention กก ก ก ก Stationary R-squared, R-squared, RMSE Ljung Box ( Q) ก Stationary R-squared R-squared ก ก ก RMSE ก Q กก ก ก Chisquare 0.10 ก ก ก ก ก ก ก ( 3) 3 ก SARIMA Intervention Stationary R- R-squared RMSE Ljung-Box Q(18) squared ก (DF = 16, Sig. = 0.922) ก (DF = 16, Sig. = 0.760) (DF = 16, Sig. = 0.314) (DF = 16, Sig. = 0.069) (DF = 16, Sig. = 0.138) (DF = 15, Sig. = 0.112) ก (DF = 16, Sig. = 0.120) (DF = 16, Sig. = 0.157) ก (DF = 16, Sig. = 0.060) (DF = 16, Sig. = 0.434) (DF = 16, Sig. = 0.115) (DF = 15, Sig. = 0.056) (DF = 16, Sig. = 0.113) (DF = 15, Sig. = 0.059) ก (DF = 15, Sig. = 0.193) ก (DF = 16, Sig. = 0.207) (DF = 16, Sig. = 0.301) 207

13 ก ก ( ) ก SARIMA Intervention Stationary R- R-squared RMSE Ljung-Box Q(18) squared ก (DF = 16, Sig. = 0.706) (DF = 16, Sig. = 0.402) (DF = 15, Sig. = 0.121) (DF = 16, Sig. = 0.138) (DF = 16, Sig. = 0.034) กก (DF = 15, Sig. = 0.596) ก (DF = 16, Sig. = 0.178) ก ก ก ก ก ก ก ก ( 5 ) : ก ก 5 ก ก 5 ก ก ก ก ก ก ก 6.95, ก ก ก ก ก ก: กก ก ก 5 ( ) ก ก ก ก ก ก ก ก ,000 76,000 ก ก ก ก ก ก ,000 ก ก ก ก ก 208

14 กก ก ก ก SARIMA Intervention ก ก ก ก ก ก ก ก กก ก ก ก ก ก ก ก ก ก ,000 ก ก ก ,000 48,000 ก ก ก ,000 ก ก ก ก ก ก ก ก ก 9.50 ก ก ก ก ก ก ก (1.52 ) ก (1.37 ) (1.20 ) : ก 5 ( ) ก ก ก ก ก ก 9 ก ก ก ,000 ก ก ,000 ก ก ,000 26, ก ก 4.30 ก ก ก ก ก ก ก ก ก (0.61 ) (0.53 ) (0.42 ) 209

15 ก ก 2552 ก : ก 5 ( ) ก ก ก ,000 ก ก ก ก ก ก ก ก ก ก ก 1.11 ก ก ก 74 ก ก ก 0.83 ก ก ก 250,000 : ก 5 ( ) ก ก ,000 ก ก ก , ก ก 780,000 ก ก กก : ก 5 ( ) ก ก ก ,000 ก ก , ก ก 1.05 ก ก 86 ก ก 910,000 กก : ก 5 ( ) ก ก กก , ก ก กก 600,000 ก ก ก ก ก ก ก ก : ก 5 ( ) ก ก ก

16 กก ก ก ก SARIMA Intervention 3, ก ก ก 93,000 4 ก ก ก : ก ก ก ก ก ก ก กก ก ก ก ก ก ก ก ก ก ก ก ก ก ( y t ) ก ก ( yˆ t ) กก ก ก 211

17 ก ก 2552 ก ก SARIMA Intervention ก ก ก ก ก ก ก ก ก ก ก ก ก 5 5 ก ก ก ก ก 2550 : ก ก * 2 t ŷ t ) ( y ก ก ก ก ก ก ก กก ก * 212

18 กก ก ก ก SARIMA Intervention ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก Intervention SARIMA ก SARIMA Intervention ก ก ก ก ก ก ก RMSE ก ก ก 17 ก ก 6.89 ก ก กก ก ก ก ก ก ก ก 4 5 ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก ก [Online] ก (25 ก ). ก ก [Online] ก ( ). Akarapong Unthong Impact of international tourists decreasing: using SARIMA Model. Proceeding paper in The First Conference of Junior Economists Faculty of Economics Chiang Mai University. (in Thai) Akarapong Untong, Pairach Piboonrungroj and Mingsarn Kaosa-ard The Impacts of Disasters on The Number of International Tourist Arrivals to Thailand. Proceeding of the Asia Pacific Tourism Association and 4th APacCHRIE joint Conference June 26-29, Hualien, TAIWAN. Cho, V A comparison of three different approaches to tourist arrival forecasting. Tourism Management, 24, pp Dharmaratne, G.S Forecasting tourist arrivals in Barbados. Annals of Tourism Research. 22(4):

19 ก ก 2552 Dickey, D. and W. Fuller "Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root" Econometrica 49: Enders, W Applied Econometric Time Series. Second edition, New York: John Wiley & Sons. Gujarati, D Basic Econometrics. 3 rd ed. McGraw Hill. Johnston, J. and J, Dinardo Econometric Methods. 4 th ed. McGraw Hill. Kevin K.F. Wong & Haiyan Song Tourism Forecasting and Marketing. New York: Haworth Hospitality Press. Lim, C., & McAleer, M A seasonal analysis of Asian tourist arrivals to Australia. Applied Economics, 32: Min, Jennifer C. H. and Bill W.P. Wu The Impact of Severe Acute Respiratory Syndrome (SARs) in Taiwan s Outbound Tourism: A SARIMA With Intervention Model Apporocach. Proceedings of the Asia Pacific Tourism Association and 4th APacCHRIE joint Conference June 26-29, Hualien, Taiwan. 214

Σχετικά έγγραφα

1 (forward modeling) 2 (data-driven modeling) e- Quest EnergyPlus DeST 1.1. {X t } ARMA. S.Sp. Pappas [4]

1 (forward modeling) 2 (data-driven modeling) e- Quest EnergyPlus DeST 1.1. {X t } ARMA. S.Sp. Pappas [4] 212 2 ( 4 252 ) No.2 in 212 (Total No.252 Vol.4) doi 1.3969/j.issn.1673-7237.212.2.16 STANDARD & TESTING 1 2 2 (1. 2184 2. 2184) CensusX12 ARMA ARMA TU111.19 A 1673-7237(212)2-55-5 Time Series Analysis