Зміст |
Автори:
Карен Погосян, ORCID: https://orcid.org/0000-0003-2126-5879 кандидат економічних наук, експерт Центрального банку Вірменії Гаяне Товмасян, ORCID: https://orcid.org/0000-0002-4131-6322 кандидатка економічних наук, старша наукова співробітниця Науково-дослідного центру ”AMBERD” Вірменського державного економічного університету, викладачка Академії державного управління Республіки Вірменія
Сторінки: 96-110
Мова: Англійська
DOI: https://doi.org/10.21272/sec.5(2).96-110.2021
Отримано: 22.05.2021
Прийнято: 22.06.2021
Опубліковано: 25.06.2021
Завантажити: |
Перегляди: |
Завантаження: |
|
|
|
Розширена анотація українською мовою
У цій статті узагальнено аргументи та контраргументи в межах наукової дискусії з питань моделювання та прогнозування внутрішнього туризму. У період пандемії Covid-19 багато країн намагалися розвивати внутрішній туризм як альтернативу міжнародному туризму. У Вірменії внутрішній туризм перебуває на початковій стадії свого розвитку, у 2020 році спостерігалося зниження туристичної активності на 33% порівняно з минулим роком. Основною метою дослідження є моделювання та прогнозування динаміки розвитку внутрішнього туризму у Вірменії. Систематизація літературних джерел та підходів до вирішення даної наукової проблеми засвідчила, що для прогнозування розвитку туристичної діяльності використовується значна кількість моделей з різним набором пояснювальних змінних. Методологічним інструментарієм дослідження були статичні та динамічні моделі, а періодом аналізу 2001-2020 рр., а також використано щоквартальні дані. У статті представлено результати регресійного аналізу, який показав, що зміна валового внутрішнього продукту та індексу споживчих цін на 1% призведе до зміни кількості внутрішніх туристів на 4,43% та 14,55% відповідно. Для моделювання динаміки розвитку внутрішнього туризму в статті побудовано 12 прогнозних моделей на короткостроковий період. За результатами побудови рекурсивних та ковзних прогнозів встановлено, що економетричні моделі, побудові на основі великого масиву даних, мають менш точні результати порівняно з моделями, які містили меншу кількість даних. Для перевірки якості побудованих прогнозних моделей використано тест Дібольда-Маріано. Результати даного тесту підтвердили твердження, що прогнози зростання динаміки внутрішнього туризму, побудовані на основі невеликих моделей, є більш практично значущими та адекватними. У статті побудовано науково обґрунтовані прогнози обсягів внутрішнього туризму у Вірменії на наступні роки. Результати дослідження можуть бути корисними для органів державного управління, приватних компаній, а також зацікавлених осіб у перспективах розвитку ринку туристичних послуг.
Ключові слова: внутрішній туризм, прогнозні моделі, рекурсивний та ковзний прогноз, регресія.
Класифікація JEL: Z30, C53, C50.
Цитувати як: Poghosyan, K., Tovmasyan, G. (2021). Modelling and Forecasting Domestic Tourism. Case Study from Armenia. SocioEconomic Challenges, 5(2), 96-110. https://doi.org/10.21272/sec.5(2).96-110.2021
Ця стаття публікуються за ліцензією Creative Commons Attribution International License
Список використаних джерел
- Alessi L., Barigozzi M., Capasso M. (2010). Improved penalization for determining the number of factors in approximate factor models. Statistics and Probability Letters, Elsevier. Available at: [CrossRef].
- Alvarez R., Camacho M., Perez-Quiros G. (2016). Aggregate versus disaggregate information in dynamic factor models. International Journal of Forecasting, 32(2), 680-694. Available at: [Crossref].
- Arratibel O., Kamps C., Leiner-Killinger N. (2009). Inflation forecasting in the new EU member states. ECB Working Paper No. 1015. Available at: [Link].
- Barhoumi K., Darné O., Ferrara L. (2014). Dynamic factor models: A review of the literature. OECD Journal: Journal of Business Cycle Measurement and Analysis, OECD Publishing, Centre for International Research on Economic Tendency Surveys, 2013(2), 73-107. Available at: [Crossref].
- Bai J., Ng S. (2002). Determining the number of factors in approximate factor models, Econometrica, 70(1), 191-221. Available at: [Link].
- Bento J. P. C. (2016). Tourism and economic growth in Portugal: an empirical investigation of causal links. Tourism & Management Studies, 12(1), 164-171. Available at: [Crossref].
- Brownlee J․ (2019). How To Backtest Machine Learning Models for Time Series Forecasting. Available at: [Link].
- Diebold F., Mariano R. (1995). Comparing Predictive Accuracy. Journal of Business & Economic Statistics, 13(3), 253-263. Available at: [Link].
- Diebold F. (2015). Comparing Predictive Accuracy, Twenty Years Later: A Personal Perspective on the Use and Abuse of Diebold-Mariano Tests. Journal of Business & Economic Statistics, 33(1), 1-1, Available at: [Crossref].
- Doz C., Giannone D., Reichlin L. (2011). A two-step estimator for large approximate dynamic factor models based on Kalman filtering. Journal of Econometrics, 164(1), 188-205. Available at: [Crossref].
- Doz C., Giannone D., Reichlin L. (2012). A Quasi–Maximum Likelihood Approach for Large, Approximate Dynamic Factor Models. The Review of Economics and Statistics, 94(4), 1014-1024. Available at: [Link].
- Dritsakis N., Athanasiadis S. (2000). An Econometric Model of Tourist Demand. Journal of Hospitality & Leisure Marketing, 7(2), 39-49. Available at: [Crossref].
- Forni M., Hallin M., Lippi M., Reichlin L. (2000). The Generalized Dynamic-Factor Model: Identification And Estimation. The Review of Economics and Statistics, 82(4), 540-554. Available at: [Crossref].
- Forni M., Hallin M., Lippi M., Reichlin L. (2005). The Generalized Dynamic Factor Model: One-Sided Estimation and Forecasting. Journal of the American Statistical Association, 100, 830-840. Available at: [Crossref].
- Hamal, K. (1996). Modelling Domestic Holiday Tourism Demand in Australia: Problems and Solutions. Asia Pacific Journal of Tourism Research, 1, 35-46. Available at: [Crossref].
16. Ghalehkhondabi I., Ardjmand E., Young W. A., Weckman G. R. (2019). A review of demand forecasting models and methodological developments within tourism and passenger transportation industry. Journal of Tourism Futures. Available at: [Link].
- Hamilton J.D. (1994). Time Series Analysis, Princeton University Press, 799 p. Available at: [Link].
- Hoffman, B. (2008). Do monetary indicators lead euro area inflation? ECB Working Paper No. 867. Available at: [Link].
- Jansen, W. Jos., Xiaowen J., de Winter, Jasper M. (2016). Forecasting and nowcasting real GDP: Comparing statistical models and subjective forecasts. International Journal of Forecasting, 32(2), 411-436. Available at: [Crossref].
- Kim H. J., Chen M.H., and Jangc S.S. (2006). Tourism expansion and economic development: The case of Taiwan, Tourism Management, 27(5), 925–933. Available at: [Link].
- Kočenda E., Poghosyan K., Nowcasting Real GDP Growth: Comparison between Old and New EU Countries. Eastern European Economics, 58(3), 197-220. Available at: [Crossref].
- Li G., Song H., Witt S.F. (2006). Forecasting Tourism Demand Using Econometric Models, in Buhalis D., Costa (eds.). Tourism management dynamics: Trends, Management and Tools. Butterworth-Heinemann: Oxford, 2006, pp. 219-228, Available at: [Crossref].
- Li G., (2009). Tourism Demand Modelling and Forecasting: A Review of Literature related to Greater China, Journal of China Tourism Research, 5, 2-40. Available at: [Crossref].
- Pirschel I., Wolters M. (2014). Forecasting German Key Macroeconomic Variables Using Large Dataset Methods, Kiel Working Papers1925, Kiel Institute for the World Economy. Available at: [Link].
- Poghosyan K., Poghosyan R. (2020). On the applicability of dynamic factor models for forecasting real GDP growth in Armenia, Applied Econometrics, 61, 28–46. Available at: [Crossref].
- Rangan G., Kabundi A. (2011). A large factor model for forecasting macroeconomic variables in South Africa. International Journal of Forecasting, 27(4), 1076-1088. Available at: [Crossref].
- Song H., Smeral E., Li G., Chen J. L. (2008). Tourism Forecasting: Accuracy of Alternative Econometric Models Revisited, WIFO Working Papers, No. 326, Austrian Institute of Economic Research (WIFO), Vienna. Available at: [Link].
- Stock J., Watson M. (2002). Macroeconomic Forecasting Using Diffusion Indexes. Journal of Business & Economic Statistics, American Statistical Association, 20(2), 147-162. Available at: [Crossref].
- The socio-economic situation in the RA (2021). January, p. 115. Available at: [Link].
- Yap G. C. (2010). An econometric analysis of Australian domestic tourism demand, 311p. Edith Cowan University. Available at: [Link].
|