Прогнозирование показателей индустрии туризма и гостеприимства на примере региона Финляндии

Работа написана по предмету "Прогнозирование в туризме", в курсовой работе рассмотрены методы прогнозирования в программе Statgraphics Centurion с подробным описанием алгоритма работы с программой. Уникальность работы - 93% ...

Введение 3
Глава 1. Теоретическое обоснование прогнозирования в индустрии гостеприимства и туризма 5
1.1. Сущность, классификация и методы прогнозирования 5
1.2. Характеристика временных рядов и основные этапы анализа 8
Глава 2. Ручное прогнозирование загрузки и цены гостиничных номеров и в регионе Финляндии Pirkanmaa 12
2.1. Описательная характеристика загрузки гостиничных номеров 12
2.2. Описательная характеристика цены гостиничных номеров 20
2.3. Ручное прогнозирование загрузки гостиничных номеров 25
2.4. Ручное прогнозирование цены за гостиничный номер 29
Глава 3. Автоматическое прогнозирование загрузки и цены гостиничных номеров в регионе Финляндии 34
3.1 Автоматическое прогнозирование загрузки номеров в регионе Pirkanmaa 34
3.2. Автоматическое прогнозирование цены за гостиничный номер в регионе Pirkanmaa 37
Заключение 41
Список использованной литературы 43
Приложения 4

Цель курсовой работы состоит в построении прогноза по статистическим данным, собранным за несколько предыдущих лет и анализе прогноза на будущий период.
Информационной базой для написания работы послужили данные статистической отчетности о средней загрузке номеров в процентах и средней цене за гостиничный номер в евро, находящиеся в открытом доступе в Интернете.
В первой главе курсовой работы излагаются основные теоретические основы прогнозирования. Рассматривается сущность прогнозирования и его значение для индустрии туризма и гостеприимства, изучаются такие теоретические вопросы, как временные ряды, методы прогнозирования, этапы прогнозирования.
Во второй главе описывается ручной метод построения прогноза с помощью Statgraphics Centurion, подробно описывается алгоритм действий.
В третье й главе разрабатывается прогноз я помощью автоматического прогнозирования с использованием программы Statgraphics Centurion.
В заключении приводятся выводы, сравниваются результаты, полученные при ручном и автоматическом прогнозировании, проводится анализ полученного прогноза

2. По знаку коэффициента автокорреляции нельзя делать вывод о возрастающей или убывающей тенденции в уровнях ряда. Большинство временных рядов экономических данных содержат положительную автокорреляцию уровней, однако при этом могут иметь убывающую тенденцию.Последовательность коэффициентов автокорреляции уровней первого, второго и т.д. порядков называют автокорреляционной функцией временного ряда. График зависимости ее значений от величины лага (порядка коэффициента автокорреляции) называется коррелограммой.Исходя из вопросов, рассмотренных в данном параграфе, можно сказать, что временной ряд – это некая последовательность показателей, присущих исследуемому объекту, которые упорядочены во времени, и этот временной ряд состоит из четырех элементов (тренд, цикл, сезонность и шум). Основнойзадачей анализа временных рядов является определение наличия этих элементов. Глава 2. Ручное прогнозирование загрузки и цены гостиничных номеров и в регионе Финляндии Pirkanmaa2.1. Описательная характеристика загрузки гостиничных номеровВ данной работе строится прогноз на 24 месяца на основе данных за 10 лет для двух показателей: загрузка номеров и цена для региона Pirkanmaa Финляндии.Исходные статистические данные по загрузке и цене за период с 2006 по 2015 год представлены в приложении 1. Данные из файла Excel переносятся в Statgraphics Centurion. Для анализа временных рядов надо посмотреть описательную характеристику (дескриптивные методы анализа).Алгоритм выполнения: Describe Time-Series Analysis Descriptive Methods. Далее следует определить интервал выборки, равный одному месяцу и начальный период - 1.06 (Рис.1).Рис. 1. Descriptive MethodsНа первом этапе необходимо определить цикличность (колебания). Для этого следует провести зрительный анализ графика временных рядов на рисунке 2. На графике видно большое количество колебаний, впадин и вершин, ряд нестационарный.Рис. 2. График временного ряда для загрузки номеров в регионе PirkanmaaДалее определяем наличие регулярности (случайный или неслучайный ряд). Если ряд носит случайный характер, то значения автокорреляционной функции не выходят за пределы доверительных интервалов на всех лагах. Если хотя бы один выходит, то существует регулярность. Для этого обратимся к графику автокорреляционной функции (АКФ) на рисунке 3. Ряд не случайный, присутствует некая модель, необходимо ее определить.Рис. 3. График АКФ для загрузки номеров в регионе PirkanmaaДля того чтобы определить характеристики колебаний, следует воспользоваться графиком периодограммы и таблицей периодограммы. Произведем задание графических и табличных опций (Рис. 4 и 5). Рис. 4. Задание графических опций Рис. 5. Задание табличных опцийРис 6. График периодограммы для загрузки номеров в регионе PirkanmaaНа графике периодограммы (Рис. 6) присутствует 1 всплеск, это свидетельствует о том, что в ряде присутствуют циклические колебания, нужно определить период колебания. Для того чтобы его определить нужно найти самую большую ординату в таблице периодограммы (Таблица 1).Таблица 1Таблица периодограммы для загрузки номеров в регионе PirkanmaaCumulativeIntegratediFrequencyPeriodOrdinateSumPeriodogram00,01,7799E-251,7799E-252,41404E-2910,00840336119,0802,619802,6190,10885820,016806759,5294,0931096,710,14874530,025210139,666787,93241184,640,16067140,033613429,7588,26711272,910,17264350,042016823,833,65371306,570,17720760,050420219,833314,1971320,760,17913370,058823517,04,086711324,850,17968780,067226914,87560,00691384,860,18782690,075630313,222285,49541470,350,199421100,084033611,92941,194411,540,59833110,09243710,81827,833234419,380,599393120,100849,9166720,95414440,330,602235130,1092449,1538511,88274452,210,603846140,1176478,522,71994474,930,606928150,126057,933337,381294482,320,607929160,1344547,43754,21394486,530,6085170,1428577,09,765064496,290,609825180,1512616,6111119,23654515,530,612434190,1596646,2631635,90224551,430,617303200,1680675,95330,6424882,070,662148210,1764715,666674,926044887,00,662816220,1848745,409092,152914889,150,663108230,1932775,173914,131164893,280,663668Наибольшая ордината соответствует периоду 11,9, т.е. период колебаний - 12 месяцев, что является сезонностью.Следующим этапом является определение основной тенденции ряда с помощью процедуры сглаживания (Рис. 7).Алгоритм выполнения: Describe Time-Series Analysis SmoothingРис. 7. SmoothingПроведем анализ графика временного ряда после процедуры сглаживания, представлен на рисунке 8.Рис. 8. Графика временного ряда после процедуры сглаживания для загрузки Видны четкие сезонные колебания. Можно сделать предварительный анализ - ряд нестационарный, тенденция ряда - снижение. Для того чтобы четче увидеть основную тенденцию ряда, необходимо изменить модель сглаживания. По моему мнению, модель сглаживания, которая наиболее адекватно описывает модель ряда, показана на рисунке 9.Рис. 9. Smoothing optionsРис. 10. Результаты сглаживания для загрузки номеровПо рисунку 10 можно сделать выводы, что тренд носит характер снижения, следует использовать линейные методы прогнозирования.На следующем шаге описания проведем процедуру сезонной декомпозиции, т.е. определение индексов сезонности.Алгоритм выполнения: Describe Time-Series Analysis Seasonal Decomposition. Длина сезонности – 12 месяцев (Рис. 11).Рис. 11. Seasonal DecompositionПо умолчанию Statgraphics предоставляет результаты мультипликативной модели, однако исходя из графика временного ряда видно, что устойчиво из года в год повторяющийся рост (снижение) сезонного эффекта отсутствует. В этом случае можно применить более простую для интерпретации модель сезонности - аддитивную. Результаты по аддитивной модели представлены на рисунках 12,13 и таблице 2.Рис. 12. График тренд-цикла для загрузки номеров в регионе PirkanmaaРис. 13. График индексов сезонности для загрузки номеров в регионе PirkanmaaТаблица 2Сезонные индексы переменнойSeasonIndex1-10,43952-1,19373-1,135834-4,151575-1,5913863,21493710,741584,6030693,76001106,88917114,1993612-14,896На графике индексов сезонности мы видим, что с июня по ноябрь высокий сезон, спад загрузки с декабря по май. Самый пик сезона приходится на июль, наибольший спад в декабре. В июле показатель загрузки выше среднегодового показателя на 10,7415 единиц. В декабре показатель загрузки меньше среднегодового показателя на 14,896 единиц (в данном случае измерение ведется в процентах).2.2. Описательная характеристика цены гостиничных номеровТеперь перейдем к описанию показателя «цена за гостиничный номер в регионе Pirkanmaa». Проведем аналогичные действия, описанные в предыдущем параграфе. После выбора необходимых параметров, получим график временных рядов (рис. 14) и график автокорреляционной функции (рис. 15). Для определения цикличности временного ряда, проведем анализ полученного графика. Ряд не имеет четко выраженную цикличность. Затем определим регулярность временного ряда, ряд не случаен, т.к. значения АКФ выходят за пределы доверительных интервалов на большом количестве лагов.Рис. 14. График временного ряда для цены за номер в регионе PirkanmaaРис. 15. Рис. 3. График АКФ для цены за номер в регионе PirkanmaaСледующим этапов является определение характеристик колебаний, следует построить график периодограммы и таблицу периодограммы.Рис. 16. График периодограммы для цены за номер в регионе PirkanmaaНа графике периодограммы (Рис. 16) присутствует 2 всплеска, это свидетельствует о том, что в ряде присутствуют циклические колебания, нужно определить период колебания. Для того чтобы его определить нужно найти самую большую ординату в таблице периодограммы (Таблица 3). Четко выраженных сезонных колебаний нет, однако присутствуют всплески на 6 и 40 месяцах, можно говорить о цикличности колебаний.Таблица 3Таблица периодограммы для цены за номер в регионе PirkanmaaCumulativeIntegratediFrequencyPeriodOrdinateSumPeriodogram00,04,30153E-254,30153E-251,38664E-2810,00840336119,0680,455680,4550,2193520,016806759,5304,333984,7870,31745530,025210139,6667427,7091412,50,4553340,033613429,7585,55031498,050,48290850,042016823,888,00841586,050,51127960,050420219,833369,17511655,230,53357870,058823517,053,47511708,710,55081680,067226914,87584,10591792,810,57792890,075630313,222258,12481850,940,596665100,084033611,9116,6981967,630,634284Продолжение таблицы 3110,09243710,818219,50551987,140,640572120,100849,916678,285491995,430,643243130,1092449,1538520,37752015,80,649812140,1176478,51,591552017,390,650325150,126057,933336,001792023,40,652259160,1344547,43758,58712031,980,655027170,1428577,00,887452032,870,655314180,1512616,611111,879942034,750,65592190,1596646,2631614,3152049,070,660534200,1680675,95400,9882450,050,789796210,1764715,6666718,82772468,880,795865220,1848745,4090917,93492486,820,801647230,1932775,1739123,22642510,040,809134240,2016814,958334,103332514,150,810457250,2100844,7635,55682549,70,821919260,2184874,5769213,50222563,210,826271270,2268914,4074119,45372582,660,832543280,2352944,257,298482589,960,834895Следующим этапом необходимо выявить основную тенденцию ряда с помощью процедуры сглаживания. График временного ряда после процедуры сглаживания для цены за номер представлен на рисунке 17. Рис. 17. График временного ряда после процедуры сглаживания для ценыПо полученному графику можно сказать, что ярко-выраженной цикличности нет, общей тенденцией является рост. Для того чтобы точнее определить основную тенденцию ряда необходимо изменить модель сглаживания. Я считаю, что наиболее адекватной моделью для описания тенденции ряда является модель, выбранная в предыдущем параграфе. Для нее характерны следующие опции: Smoother 1 – Simple moving Average (по 15 точками и Smoother 2 – EWMA. Окончательный график представлен на рисунке 18. Тренд носит общий характер роста, однако можно сказать, что цена возрастает в период с 2006 по 2009, затем происходит спад, с 2012 года снова начинается рост.Рис. 18. Результаты сглаживания для цены за номер На следующем шаге описания проведем процедуру сезонной декомпозиции, т.е. определение индексов сезонности. Устанавливаем сезонность равную 12 месяцам, т.к. для гостиничного бизнеса она характерна. По умолчанию Statgraphics предоставляет результаты мультипликативной модели, однако, возможно применить более простую для интерпретации модель сезонности - аддитивную. Результаты представлены на рисунках 19, 20 и таблице 4. Рис. 19. График тренд-цикла для цены за номер в регионе PirkanmaaРис. 20. График индексов сезонности для цены за номер в регионе PirkanmaaТаблица 4Сезонные индексы переменнойSeasonIndex1-1,9750921,4126430,8001394-0,63476950,060833360,3723617-4,469498-2,181294,78444103,12977111,9781512-3,27778На графике индексов сезонности мы видим, что цены колеблются в течение года, и точно определить сезон высоких и низких цен тяжело. Пик цен приходится на сентябрь, наибольший спад в июле. В сентябре показатель цены выше среднегодового показателя на 4,78 евро. В декабре цена меньше среднегодового показателя на 4,47 евро.2.3. Ручное прогнозирование загрузки гостиничных номеровПереходим к построению прогноза. Для построения прогноза в ручном режиме на панели управления выбираем меню Forecast, затем User–Specified Model, период прогноза равен 24 месяцам (Рис. 21).Рис. 21. Ручное прогнозированиеStatgraphics по умолчанию строит прогноз по 5 моделям. Задача эксперта определить наиболее адекватную модель. Для этого надо посмотреть на сравнение моделей (таблица 5) и на график АКФ (Рис. 22).АКФ не должна выходить за пределы доверительных интервалов на всех лагах, модель должна пройти все тесты. Из списка моделей по умолчанию СГ строит первую модель, однако она не подходит, т.к. АКФ выходит за пределы доверительных интервалов на одном лаге и модель плохо прошла тесты.Рис. 22. График АКФ при модели «теория случайных блужданий»Таблица 5Результат подбора моделей с помощью ручного прогнозированияModelRMSERUNSRUNMAUTOMEANVAR(A)3,2736OK*****OK*(B)3,26758OK*****OKOK(C)2,84313OKOK*OKOK(D)2,9849OKOK**OKOK(E)2,8449OKOKOK*OKModels(A) Random walk with drift = -0,105905 Seasonal adjustment: Multiplicative(B) Linear trend = 113,504 + -0,0804333 t Seasonal adjustment: Multiplicative(C) Simple exponential smoothing with alpha = 0,431 Seasonal adjustment: Multiplicative(D) Brown's linear exp. smoothing with alpha = 0,1934 Seasonal adjustment: Multiplicative(E) Winter's exp. smoothing with alpha = 0,3034, beta = 0,0264, gamma = 0,2388Если в таблице находим модель, которая прошла все тесты, то останавливаем выбор на ней. Среди представленных моделей, ни одна не прошла все тесты полностью. Однако при ручном подборе других моделей, результаты оказались хуже. Поэтому выбор делается из моделей в таблице 5.Наилучшими моделями являются С и Е, наименьшей ошибкой обладает модель С, однако лаг выходит за пределы доверительных периодов (Рис. 23), модель неадекватна.Рис. 23. График АКФ при модели «Простое экспоненциальное сглаживание»Теперь необходимо проверить модель Е «Экспоненциальное сглаживание Уинтера». Она является адекватной моделью, значения АКФ не выходят за пределы доверительных интервалов, что свидетельствует о случайности остатков (Рис. 24), график прогноза представлен на рисунке 25.Рис. 24. График АКФ при модели «Экспоненциальное сглаживание Уинтера»Рис. 25. График прогноза при модели «Экспоненциальное сглаживание Уинтера»Таблица 6Прогноз загрузки номеров в регионе PirkanmaaLower 95,0%Upper 95,0%PeriodForecastLimitLimit12.1536,993233,121140,8654 1.1641,397836,448346,3474 2.1650,275443,582956,968 3.1651,192943,733358,6526 4.1648,843241,146256,5401 5.1651,209942,561759,8581 6.1656,571446,405366,7375 7.1664,895452,55677,2348 8.1656,194144,94167,4473 9.1655,555543,88467,22710.1656,878744,383769,373711.1654,487142,006566,967712.1637,006728,189945,8235 1.1741,412931,021351,8046 2.1750,293837,233563,3541 3.1751,211637,471164,9522 4.1748,86135,33562,387 5.1751,228636,61665,8411 6.1756,592139,978773,2054 7.1764,919145,326684,5116 8.1756,214738,790673,6387 9.1755,575837,900473,251210.1756,899538,34775,45211.1754,50736,30172,713В таблице 6 представлен прогноз на 24 месяца, устанавливаются интервалы прогноза. Однако можно заметить, что на конец прогноза разброс интервала достаточно велик, т.е. прогноз недостаточно точен.2.4. Ручное прогнозирование цены за гостиничный номерПереходим к построению прогноза. Для построения прогноза в ручном режиме на панели управления выбираем меню Forecast, затем User–Specified Model, период прогноза равен 24 месяцам.Statgraphics по умолчанию строит прогноз по 5 моделям. Необходимо определить наиболее адекватную модель. Для этого надо следует сравнить полученные результаты по моделям (таблица 7) и проанализировать график АКФ (Рис. 26). АКФ не должна выходить за пределы доверительных интервалов на всех лагах, модель должна пройти все тесты.Рис. 26. График АКФ при модели «теория случайных блужданий»Таблица 7Результат подбора моделей с помощью ручного прогнозированияModelRMSERUNSRUNMAUTOMEANVAR(A)2,39932OKOK***OKOK(B)2,70707*******OK***Продолжение таблицы 7(C)2,1762OKOK**OKOK(D)2,2608OKOK**OKOK(E)2,08246OKOKOK*OKModels(A) Random walk with drift = 0,146599 Seasonal adjustment: Multiplicative(B) Linear trend = 11,994 + 0,104535 t Seasonal adjustment: Multiplicative(C) Simple exponential smoothing with alpha = 0,4541 Seasonal adjustment: Multiplicative(D) Brown's linear exp. smoothing with alpha = 0,2185 Seasonal adjustment: Multiplicative(E) Winter's exp. smoothing with alpha = 0,3885, beta = 0,0348, gamma = 0,1972Если в таблице находим модель, которая прошла все тесты, то останавливаем выбор на ней. Среди представленных моделей, ни одна не прошла все тесты полностью. Однако при ручном подборе других моделей, результаты оказались хуже. Поэтому выбор делается из моделей в таблице 7.Модель Е обладает наилучшими характеристиками, однако значения АКФ выходит за пределы доверительных интервалов на двух лагах (рис. 27)Рис. 27. График АКФ при модели «Экспоненциальное сглаживание Уинтера»Одинаковыми параметрами обладают модели С и D, однако у модели С значение ошибки меньше, поэтому проверяем ее. График АКФ представлен на рисунке 28, один лаг выходит за пределы доверительных интервалов, модель неадекватна.Рис. 28. График АКФ при модели «Простое экспоненциальное сглаживание»Теперь надо проверить модель D. Она является адекватной моделью, значения АКФ не выходят за пределы доверительных интервалов, что свидетельствует о случайности остатков (Рис. 29), график прогноза представлен на рисунке 30.Рис. 29. График АКФ при модели Брауна (линейное экспоненциальное сглаживание)Рис. 30. График прогноза при модели «Экспоненциальное сглаживание Уинтера»Таблица 8Прогноз цены за номер в регионе PirkanmaaLower 95,0%Upper 95,0%PeriodForecastLimitLimit12.1592,492388,627596,3572 1.1693,760289,142998,3775 2.1698,129792,6457103,614 3.1697,531391,4876103,575 4.1696,341289,8247102,858 5.1697,274490,1736104,375 6.1697,496289,8814105,111 7.1693,651685,8782101,425 8.1696,002687,5801104,425 9.16102,54693,0795112,01210.16100,68990,946110,43311.1699,637389,563109,71112.1694,345884,4061104,285 1.1795,635985,0751106,197 2.17100,0988,6324111,547 3.1799,47687,6938111,258 4.1798,258986,2366110,281 5.1799,207586,6868111,728 6.1799,430586,5037112,357 7.1795,506682,7317108,282 8.1797,90184,443111,359 9.17104,5789,8124119,32810.17102,67487,8116117,53611.17101,59886,5271116,669В таблице 8 представлен прогноз на 24 месяца, устанавливаются интервалы прогноза. Однако можно заметить, что на конец прогноза интервал, в котором находится прогноз, достаточно велик, прогноз является достоверным, не недостаточно точным.Глава 3.