Курсовая работа на тему: "Прогнозирование туристских показаталей с помощью программы Statgraphics Centurion "

Цель курсовой работы – построение прогноза туристского показателя на основе собранных статистических данных за определенный промежуток времени с помощью программного продукта Statgraphics Centurion и его дальнейший анализ. ...

Содержание
Введение 2
Глава 1. Теоретические основы прогнозирования в индустрии гостеприимства и туризма 5
1.1. Понятие временного ряда, его составляющих и этапов анализа 5
1.2. Методы прогнозирования временных рядов в индустрии гостеприимства и туризма 9
Глава 2. Ручное прогнозирование загрузки и цены номеров в регионе Varsinais-Suomi и Satakunta Финляндии 14
2.1. Описательная характеристика загрузки номеров в регионе Varsinais-Suomi 14
2.2. Описательная характеристика цены номеров в регионе Satakunta 21
2.3. Построение прогноза в ручном режиме в Statgraphics Centurion 26
Глава 3. Автоматическое прогнозирование загрузки и цены номеров в регионе Varsinais-Suomi и Satakunta Финляндии 31
3.1. Построение прогноза загрузки номеров в регионе Varsinais-Suomi в автоматическом режиме 31
3.2. Построение прогноза цены номеров в регионе Satakunta в автоматическом режиме 35
Заключение 38
Список литературы 40
Приложения 43

В качестве информационной базы для получения исходных статистических данных был использован сайт статистики гостинично-туристического рынка Финляндии.
В первой главе курсовой работы были рассмотрены теоретические основы прогнозирования в туризме на примере понятия временного ряда, его составляющих, а также основных методов прогнозирования.
Во второй главе пошагово описывается способ ручного прогнозирования с помощью программы Statgraphics Centurion.
В третьей главе строится прогноз туристских показателей с помощью автоматического прогнозирования.
В заключении анализируются полученные данные прогноза, даются необходимые рекомендации и приводится сравнение ручного и автоматического способов прогнозирования.

Методы простой экстраполяции также часто называют однофакторными, поскольку они используются для прогнозирования одного фактора во времени и представляют собой модель временных рядов.Среди методов простой экстраполяции наиболее распространенным является метод «без изменений», который часто дает самый верный прогноз в краткосрочной перспективе.В связи с тем, что спрос на туризм редко изменяется по простым правилам и закономерностям с течением времени, для прогнозирования используются и более комплексные методы.Обычно на спрос в туризме влияют одновременно краткосрочные и долгосрочные тренды, а также другие факторы. Кроме того, так называемые нетипичные события часто влияют на изменения туристического спроса. Их воздействие можно устранить, используя метод экстраполяции простого скользящегосреднего или метод SMA, который основывается на вычислении среднего значения за определенное количество временных промежутков, предшествующих выбранному периоду.Однако туристическая индустрия часто характеризуется наличием сезонности, т.е. отклонением от тренда в рамках одного года. Для решения этой проблемы используются методы декомпозиции, которые позволяют «разделить» временные ряды на компоненты и упростить анализ. Таким образом, становится возможным выделение эффектов сезонности, долгосрочных трендов, циклов и случайных непредсказуемых эффектов.В случае нехватки информации для построения прогноза с помощью математических моделей возможно применение качественных методов прогнозирования. Наиболее распространенными из них являются метод экспертных оценок и метод Дельфи. Метод экспертных оценок – это качественный метод прогнозирования, при котором эксперты собираются в группу и дают индивидуальные прогнозы, а на их основе выводится общий прогноз.Метод Дельфи – это метод, сущность которого состоит в последовательном анкетировании мнений экспертов различных областей науки и формировании массива информации, отражающего индивидуальные оценки экспертов, основанные как на строго логистическом анализе, так и на интуитивном опыте. Данный метод предполагает использование серии анкет, в каждой из которых содержатся информация и мнения, полученные из предыдущей анкеты.Таким образом, можно сделать вывод, что для правильного выбора метода прогнозирования в сфере туризма следует в первую очередь исходить из того, какие ресурсы (экономические, практические, человеческие) доступны и как тем самым они могут ограничить выбор методик прогнозирования на начальном этапе. Следует также руководствоваться приведенными сведениями о сильных и слабых сторонах методик и соответствующих базовых требованиях построения моделей.Глава 2. Ручное прогнозирование загрузки и цены номеров в регионе Varsinais-Suomi и Satakunta Финляндии2.1. Описательная характеристика загрузки номеров в регионе Varsinais-SuomiВ данной главе рассмотрен процесс ручного прогнозирования в программе Statgraphics Centurion на примере загрузки и цены номерного фонда гостиниц регионов Varsinais-Suomi и Satakunta Финляндии. Прогноз строился на 2 года (24 месяца) на основе статистических данных за 10 лет. Данный прогноз позволит выявить закономерности и динамику изменений загрузки и цены номерного фонда, с помощью которых можно будет сделать определенные выводы. В качестве исходного временного ряда были использованы данные за период с 2006 по 2015 год, которые представлены в прил. 1. Для начала исходные данные из файла Excel переносятся в Statgraphics Centurion. Далее проводим анализ временного ряда с помощью следующих процедур: Descriptive Methods (дескриптивные методы), Smoothing (сглаживание), Seasonal Decomposition (сезонная декомпозиция).Рассмотрим алгоритм выполнения дескриптивных методов анализа для загрузки номеров в регионе Varsinais-Suomi.В верхней панели выбираем вкладку Describe, далее Time Series Analysis, Descriptive Methods. В появившемся окне необходимо установить интервал выборки (1 месяц) и начальный период (01.2006). После установки необходимых параметров появляется график временного ряда, изображенный на рис. 1.Он необходим для определения цикличности временного ряда. Для этого проведем визуальный анализ полученного графика. Как можно заметить, график данного временного ряда имеет ярко-выраженную цикличность с большим количеством вершин и впадин. Из этого можно сделать вывод, что ряд не стационарен, т.е. хотя бы одна из его характеристик непостоянна и зависит от времени.Рис. 1. График временного ряда загрузки номерного фонда в регионе Varsinais–SuomiСледующий этап анализа – это определение регулярности временного ряда. Для этого воспользуемся графиком автокорреляционной функции, представленным на рис. 2.Рис. 2. График автокорреляционной функции загрузки номеров в регионе Varsinais-SuomiИсходя из полученного графика, можно сделать вывод, что исследуемый временной ряд не случаен, так как значения автокорреляционной функции выходят за пределы доверительных интервалов на всех лагах. Поэтому можно говорить о том, что у данного ряда присутствует некая модель, которую возможно будет подобрать. Следующим шагом будет определение характеристики колебаний исследуемого временного ряда. Для этого построим график и таблицу периодограммы.Для построения зададим графические и табличные опции (рис. 3 и 4).Рис. 3. Задание параметров графических опцийРис. 4. Задание параметров табличных опцийРис. 5. График периодограммы для загрузки номеров в регионе Varsinais-SuomiНа полученном графике периодограммы можно заметить, что присутствует один большой всплеск, который свидетельствует о том, что в ряде присутствуют циклические колебания. Для того чтобы определить период этих колебаний, необходимо воспользоваться таблицей периодограммы (табл. 2). Таблица 2Таблица периодограммы для загрузки номеров в регионе Varsinais-SuomiCumulativeIntegratediFrequencyPeriodOrdinateSumPeriodogram00,04,72593E-264,72593E-264,09453E-3010,00840336119,036,056536,05650,0031239220,016806759,5106,78142,8370,012375330,025210139,6667159,525302,3620,026196540,033613429,7578,9348381,2970,033035450,042016823,83,10567384,4020,033304560,050420219,833356,0136440,4160,038157470,058823517,027,3139467,730,040523980,067226914,87541,1367508,8670,04408890,075630313,2222117,66626,5270,054282100,084033611,98709,949336,470,808907110,09243710,81822,747539339,210,809145120,100849,9166769,81399409,030,815194130,1092449,153851,988539411,020,815366140,1176478,52,565789413,580,815589150,126057,9333333,42789447,010,818485160,1344547,43751,636579448,650,818627Как видно из данных таблицы, период колебаний составляет 12 месяцев, так как наибольшая координата соответствует 11,9 месяцам. Поэтому можно говорить о том, что в изменениях временного ряда присутствует сезонность.Следующим этапом необходимо выявить основную тенденцию ряда с помощью процедуры сглаживания.Для этого в верхней панели меню выберем вкладку Describe-Time-Series Analysis-Smoothing.Рис. 6. График сглаживания временного ряда для загрузки номеров в регионе Varsinais-SuomiПроанализировав полученный график, можно сделать вывод, что присутствуют четкие сезонные колебания, и основной тенденцией ряда является стационарность, т.е. отсутствие тенденций роста или снижения.Для того чтобы точнее определить основную тенденцию ряда необходимо изменить модель сглаживания. Для этого во вкладке Pane Options выберем подходящие параметры (рис. 7).Рис. 7. Выбор необходимых опций для сглаживания в Smoothing OptionsНа мой взгляд, наиболее адекватными опциями для описания основной тенденции ряда являются Smoother 1 – Simple moving Average (простая скользящая средняя) по 15 точками и Smoother 2 – EWMA (взвешенная экспоненциальная скользящая средняя). После установки необходимых опций рассмотрим получившийся график сглаживания, представленный на рис. 8.Рис. 8. Окончательный график сглаживания для временного ряда загрузки номеров в регионе Varsinais-SuomiНа основе полученного графика сглаживания, можно сделать вывод, что основным трендом исследуемого временного ряда является горизонтальный или боковой, т.е. динамика минимумов и максимумов не имеет выраженной тенденции, а пики роста и падения находятся примерно на одном уровне. Заключительным этапом описательной характеристики временного ряда является сезонная декомпозиция, т.е. определение индексов сезонности. Для этого выберем в верхней панели меню вкладку Describe-Time-Series Analysis-Seasonal Decomposition. В появившемся окне зададим необходимые параметры: интервал выборки (1 месяц), начальный период (01.2006), длина сезонности (12 месяцев).По умолчанию программа Statgraphics Centurion строит график тренд-цикла и индексов сезонности на основе мультипликативной модели. Однако, исходя из графика временного ряда, представленного на рис. 1, видно, что устойчиво из года в год повторяющийся рост или снижение сезонного эффекта отсутствует. Поэтому в этом случае можно приметить наиболее простую для интерпретации аддитивную модель сезонности.Для переключения моделей необходимо нажать правой кнопкой на полученном графике и в появившемся окне Seasonal Decomposition Options выбрать Additive Method. Рис. 9. Выбор аддитивной модели Результаты проведенной декомпозиции видны на рис. 10,11 и табл. 3.Рис. 10. График тренд-цикла для загрузки номеров в регионе Varsinais-SuomiРис.11. График индексов сезонности для загрузки номеров в регионе Varsinais-SuomiТаблица 3Таблица индексов сезонности для загрузки номеров в регионе Varsinais-SuomiSeasonIndex1-13,60342-7,606173-4,087194-3,7547852,0581869,29887720,0286811,131891,56559100,90679511-2,1246912-13,8136Проанализировав полученные графики, можно сделать вывод, что спад приходится на период с января по апрель, а также в ноябре и декабре. Что касается высокого сезона загрузки номеров, то он начинается в мае и заканчивается в октябре.Исходя из данных таблицы индексов сезонности, самый пиковый месяц – это июль, так как показатель загрузки номеров выше среднегодового на 20,03%, а самая низкая загрузка приходится на декабрь (показатель загрузки ниже среднегодового на 13,81%).Исходя из вышесказанного, можно сделать вывод, что исследуемый временной ряд является нестационарным, с ярко-выраженными циклическими колебаниями. Основной тренд ряда – линейный или боковой с отчетливой сезонностью, равной 12 месяцам. 2.2. Описательная характеристика цены номеров в регионе SatakuntaВ данном параграфе рассмотрим характеристику временного ряда цены номеров в регионе Satakunta. Алгоритм выполнения необходимого анализа был подробно описан в параграфе 2.1, поэтому повторно рассматривать его не будем.Первый этап анализа – это дескриптивные методы (Descriptive Methods), с помощью которых можно определить такие характеристики, как стационарность, регулярность, цикличность и сезонность. После установки всех необходимых параметров появляется график временного ряда, изображенный на рис. 12. Рис. 12. График временного ряда цены номеров в регионе SatakuntaС помощью полученного графика, можно заметить, что цикличность временного ряда достаточно очевидна, так как присутствует большое количество перепадов. Поэтому напрашивается вывод, что ряд не стационарен, т.е. его характеристики не зависят от времени.Следующая характеристика, которую необходимо определить, это регулярность. Для этого построим график автокорреляционной функции для показателя цены номеров (рис. 13). Как видно из полученного графика, значения автокорреляционной функции выходят за пределы доверительных интервалов на некоторых лагах. Поэтому можно сделать вывод, что ряд детерминирован, т.е. существует некая модель, которая точно описывает его будущие значения и которую возможно подобрать. Рис. 13. График функции автокорреляции для цены номеров в регионе SatakuntaДалее рассмотрим характеристику колебаний временного ряда. Для этого воспользуемся графиком и таблицей периодограммы.Рис. 14. График периодограммы для цены номеров в регионе SatakuntaНа полученном графике видно, что данный временной ряд имеет несколько циклических колебаний, но наиболее выражен только один всплеск, период которого необходимо определить. Для этого рассмотрим таблицу периодограммы (табл. 4).Таблица 4Таблица периодограммы для цены номеров в регионе SatakuntaCumulativeIntegratediFrequencyPeriodOrdinateSumPeriodogram00,05,64811E-265,64811E-261,04695E-2910,00840336119,01676,21676,20,31070720,016806759,5592,7382268,940,42057930,025210139,6667393,3782662,320,49349740,033613429,7526,66162688,980,49843950,042016823,8105,6772794,660,51802760,050420219,833347,05722841,710,5267570,058823517,09,511422851,230,52851380,067226914,875229,1313080,360,57098690,075630313,2222172,8883253,240,603033100,084033611,9374,6983627,940,672488Проанализировав полученные данные, можно заметить, что наиболее ярко-выраженное колебание имеет период 5 лет или 60 месяцев.Если говорить о сезонности, то в данном временном ряде она также имеет место, так как третья по величине ордината соответствует периоду 12 месяцев.Второй этап анализа – это определение основной тенденции ряда с помощью процедуры сглаживания (Smoothing). Алгоритм выполнения также уже был рассмотрен в параграфе 2.1, поэтому перейдем сразу к анализу.После установления всех параметров, рассмотрим полученный график сглаживания, изображенный на рис. 15.Рис. 15. Окончательный график сглаживания для цены номеров в регионе SatakuntaИсходя из полученного графика, можно сделать вывод, что с течением времени цены возрастают, т.е. основной тенденцией ряда является рост. Но, начиная с 01.2009, его темпы постепенно замедляются, так как график становится более пологим.Заключительный этап анализа необходимых характеристик – это сезонная декомпозиция, т.е. определение индексов сезонности.Для этого необходимо проанализировать графики тренд-цикла и индексов сезонности, изображенных на рис. 16 и 17.Рис. 16. График тренд-цикла для цены номеров в регионе SatakuntaРис. 17. График индексов сезонности для цены в регионе SatakuntaНа основе полученных графиков, можно сделать вывод, что самые высокие цены номеров приходятся на январь, март, июнь, июль и август. Для того чтобы выявить самые пиковые месяца воспользуемся таблицей индексов сезонности на основе аддитивной модели (табл. 5). Таблица 5Таблица индексов сезонности для цены номеров в регионе SatakuntaSeasonIndex10,5074242-0,47072430,07510954-0,7506785-1,5537360,882361710,581280,08779479-1,8982710-2,424111-2,1445712-2,89179С помощью этой таблицы, можно сделать вывод, что самые высокие цены номеров были в июле, так как индекс выше среднегодового показателя на 10,58%. Что касается спада цены, то наиболее низкие были в декабре, так как индекс ниже среднегодового показателя на 2,89%. 2.3. Построение прогноза в ручном режиме в Statgraphics CenturionПосле получения необходимых данных на основе описательных методов можно перейти к построению прогноза для показателей загрузки и цены номеров в ручном режиме. Начнем с показателя загрузки номеров в регионе Varsinais-Suomi. Для этого в верхней панели меню выберем вкладку Forecast – User-Specified Model. В появившемся окне зададим период прогноза (Number of Forecasts) равный 24 месяцам.По умолчанию программа Statgraphics Centurion строит прогноз по пяти моделям. Задача эксперта состоит в том, чтобы определить, какая из них наиболее адекватна, т.е. наиболее точно описывает временной ряд. Адекватность модели определяется на основе графика функции автокорреляции и прохождении определенных тестов. Если при выборе модели прогноза, она прошла все тесты, и график функции автокорреляции не выходит за пределы доверительных интервалов на всех лагах, то такую модель можно использовать для прогнозирования.Рассмотрим полученные результаты, представленные в табл. 6.Таблица 6Результат подбора моделей прогнозирования для загрузки номеров в ручном режимеModelRMSERUNSRUNMAUTOMEANVAR(A)3,40911OK******OK*(B)3,14006OK*****OK**(C)2,98958OKOKOKOK*(D)3,16373OKOKOKOK*(E)3,01617OKOKOKOKOK(A) Random walk with drift = -0,0450987 Seasonal adjustment: Multiplicative(B) Linear trend = 61,73 + -0,0120134 t Seasonal adjustment: Multiplicative(C) Simple exponential smoothing with alpha = 0,3576 Seasonal adjustment: Multiplicative(D) Brown's linear exp. smoothing with alpha = 0,1744 Seasonal adjustment: Multiplicative(E) Winter's exp. smoothing with alpha = 0,2133, beta = 0,0038, gamma = 0,2576Исходя из данных таблицы, наиболее подходящей моделью, которая прошла все необходимые тесты, является Winter's exp. Smoothing. Но, после переключения построения прогноза на нее, на рис. 18 можно увидеть, что значение лага автокорреляционной функции выходит за пределы доверительных интервалов. Именно поэтому, выбираем модель Simple exponential smoothing, которая успешно прошла 4 теста и имеет наименьшее среднее квадратическое отклонение (RMSE) .Рис. 18. График автокорреляционной функции для модели Winter's exp. SmoothingРис. 19.График прогноза на основе модели Simple exponential smoothingРис. 20. График функции автокорреляции для модели Simple exponential smoothing Таблица 7Таблица прогноза загрузки номеров на период 2016-2017 гг.Lower 95,0%Upper 95,0%PeriodForecastLimitLimit12.1538,709534,597242,82191.1638,891534,503643,27942.1644,824339,48850,16063.1648,310542,273454,34754.1648,640242,287354,99325.1654,38646,988261,78376.1661,616652,914570,31867.1672,276161,705782,84648.1663,401253,821172,98139.1653,961445,553962,368910.1653,280444,735861,824911.1650,272241,986958,557512.1638,709532,162645,25651.1738,891532,149945,63312.1744,824336,869852,77883.1748,310539,543157,07794.1748,640239,621757,65885.1754,38644,092664,67936.1761,616649,722173,5117.1772,276158,056286,49598.1763,401250,69776,10539.1753,961442,956264,966710.1753,280442,227164,333611.1750,272239,669660,8749Проанализировав полученные данные, можно сделать вывод, что прогноз на один год является достаточно точным, так как разброс интервалов прогноза невелик. Что касается прогнозирования второго года, то здесь разброс прогнозируемых данных начинает увеличиваться, поэтому невозможно с полной уверенностью доверять данному прогнозу.Перейдем к построению прогноза для показателя цены номеров в регионе Satakunta.Алгоритм выполнения идентичен с первым показателем, поэтому не будем рассматривать его подробно и сразу начнем подбор моделей прогноза (табл. 8).Таблица 8Результаты подбора моделей прогнозирования для цены номеровModelRMSERUNSRUNMAUTOMEANVAR(A)3,04859OKOK***OK***(B)3,0441OK******OKOK(C)2,77901OKOK***OK***(D)2,87239OK****OK**(E)2,90035OKOK*OK**Models(A) Random walk with drift = 0,143473(B) Linear trend = -21,9997 + 0,139563 t (C) Simple exponential smoothing with alpha = 0,4119(D) Brown's linear exp. smoothing with alpha = 0,1507 (E) Winter's exp. smoothing with alpha = 0,3601, beta = 0,0121, gamma = 0,2183Исходя из данных таблицы, ни одна модель не прошла необходимые тесты. Отсюда можно сделать вывод, что прогноз цены номеров невозможен в ручном режиме, так как исходные данные слишком сложны. Поэтому попробуем построить прогноз в автоматическом режиме.