Evaluation of Linear Spatial and Non-linear Models in Explaining the Spatial Dispersion of Travel Agencies in Mashhad, Iran

جغرافیا و توسعه فضای شهری

Article 2, Volume 5, Issue 1 - Serial Number 8, September 2018, Pages 21-43   

Document Type: Scientific-Research

DOI: 10.22067/gusd.v5i1.29783

Authors

Mostafa Amirfakhriyan^* ; Alireza Moeini

Ferdowsi University of Mashhad

Abstract

Extended Abstract

Introduction

Travel agencies are an indispensable part of the tourism industry and act as the distribution canal of this industry. These offices (travel agencies) are, in fact, a medium through which consumers and producers are connected and they are considered as one of five major sections of tourism, as well as influential elements in the evolution of this industry. The activities of travel agencies regarding destinations, attractions, transportation, residency, and recreation could affect the extent of tourists’ satisfaction toward travel and the level of demand. In truth, travel agencies play the role of retailers within the industry of tourism. In this regard, they are considered as the final linking point throughout the process of consuming the industry’s products, receiving several services. Effective factors in the success and functionality of these agencies include their location pattern and spatial distribution throughout the geographical area of various cities and regions. It seems that travel agencies, as a facilitating factor for traveling, should have an appropriate distribution pattern across a city. As a result of this even distribution, all residents would have access to travel facilities and services. However, in reality, many factors have negatively influenced such equal distribution, and different patterns of spatial distribution and dispersion can be observed. The current study focuses on Mashhad, in which travel agencies are often seen only in certain parts of the city. This study aims to find the factors, which have led to such unbalanced establishment. Also, in addressing this question, the study would aim to see which explanation method presents more realistic results in this matter. More specifically, the current study would focus on two well-known effective models, namely geographical regression as a linear model, and neural network as a non-linear model.

Methodology

Due to the nature of the research question, this study is based on descriptive-analytical methods. Hence, in addition to referring to the existing documents and resources, initial information was obtained from various sources. Then, by referring to the website of the Cultural Heritage, Handicrafts and Tourism Organization of Iran, the latest statistics regarding travel agencies in Mashhad were collected and registered at the geographical information database. Also, some data regarding the variables of the study were gathered from this database (21 variables). Subsequently, using several models, the dispersion pattern of travel agencies in Mashhad was described.

Results

In geographical regression, variables such as distance to the holy shrine, movie theaters, shopping malls, parks, religious and academic centers, and literacy level were considered as effectless variables. However, these variables were effective from the viewpoint of the neural network model. In fact, some of these variables have an important role in explaining the scope of influence of travel agencies. Instances include distance from centers of higher education and the holy shrine of Imam Reza.
As for the neural network model, the most effective factor was the distance from main squares and intersections, while spatial regression selected ‘distance from hotels’ as the main effective factor. A look at the nature of these urban spaces shows that squares and intersections are public spaces, while hotels specifically belong to tourists. Therefore, based on the outlook provided by the neural network model, travel agencies tend to get established at public urban spaces. On the contrary, according to the spatial regression model, such a tendency is based on variables related to pilgrims and tourists.

Conclusion

As compared to the geographical regression model, the estimations of the neural network model provide more reasonable explanations regarding the establishment of travel agencies. White-colored areas are more widely and steadily observed in this model.
Also, uniform cluster estimations have better distribution in the neural network model. On the other hand, the deviation of estimated values for the scope of influence of travel agencies show more variety in the geographical regression model.
Due to the linear nature of the spatial regression model, some variables, which seem to have a role in the dispersion and scope of influence of travel agencies have been eliminated. However, no variables have been excluded from the neural network model. This may be one of the reasons for the high flexibility of the neural network model in adapting with different variables of the study. On the other hand, it has to be kept in mind that some variables have a qualitative nature and they may not be expressed quantitatively. Such variables are practically excluded from geographical regression. They are, however, easily used in the neural network model. Based on the findings of this study, it seems necessary and inevitable to smoothly pass on from linear towards non-linear patterns for studying geographical phenomena and their dispersion in urban spaces.

Keywords

Travel Aganecy; neural networks, geographic regression, Mashhad

References

1. احدنژاد روشتی، م.، و صالحی میشانی، ح. (1391). ارزیابی توزیع فضایی زیرساخت‌های گردشگری و تعیین نقش فرآیند‌های اقتصادی-سیاسی و رشد فیزیکی شهرها در شکل‌گیری آن (مطالعه موردی: شهر زنجان). دو فصلنامه مطالعات گردشگری، شماره 1،. صص. 91-105.

2. بنی‌حبیب، ا. و سادات جمالی، ف. (1383). مقایسه مدل‌های شبکه عصبی مصنوعی دینامیک و همبستگی خطی چند متغیره در پیش‌بینی آبدهی به کمک داده‌های سنجش از دور. فصلنامه دانش آب و خاک، دوره 201، شماره 2. صص.173-184

3. بهنام، ب. و قربانی، ا. (1393). ارزیابی کاربرد مدل‌های شبکه عصبی و رگرسیونی به‌منظور پیش‌بینی تنوع گونه‌ای با استفاده از برخی عوامل خاکی و فیزیوگرافی (مطالعه موردی: حوزه آبخیز خرابه‌سنجی ارومیه). فصلنامه اکوسیستم‌های طبیعی ایران، شماره 2. صص 65-80.

4. پناهی،ع.، و علیجانی، ب. (1392). پیش‌بینی دبی اوج سیلابی با استفاده از مدل شبکه عصبی مصنوعی و رگرسیون چند متغیره (مطالعه موردی حوضه آبریز مادرسو استان گلستان). مجله جغرافیا، شماره 38، صص. 113-132.

5. پیله ورشهری،ا.، ایوبی، ش.، و خادمی، ح. (1389). مقایسه مدل شبکه عصبی مصنوعی و رگرسیون خطی چندمتغیره در پیش‌بینی کربن آلی خاک به کمک داده‌های آنالیز سطح زمین. آب و خاک. مجله علوم و صنایع کشاورزی. دوره 24، شماره 6، صص. 1151-1163.

6. تاج‌زاده نمین، ا. (1395). الگوی انتخاب دفتر خدمات مسافرتی. دو فصلنامه علمی- پژوهشی کاوش‌های مدیریت بازرگانی، شماره 15، صص. 83-107.

7. خسروی‌نژاد، ع. ا.، و شعبانی صدرپیشه، م. (1393). ارزیابی مدل‌های خطی و غیرخطی درپیش‌بینی سهام در بورس اوراق بهادار تهران. فصلنامه علوم اقتصادی، شماره 27، صص.27-64.

8. دیناری،ا. (1384). گردشگری شهری در ایران و جهان. مشهد، انتشارات واژگان خرد.

9. رضایی پور، م.، ذوالفقاری، م.، یوسفی دیندارلو، م.، و نجارزاده، ا. (1392). مقایسه عملکرد مدل‌های خطی و غیرخطی در توضیح سیستم تقاضای تقریباً ایده‌آل. مجله مدل‌سازی اقتصادی، سال هفتم شماره 22. صص 83-100.

10. رهنما، م. (1375). بافت قدیم و توسعه شهری، نمونه بافت‌های مسکونی مرکز شهر مشهد. تهران: دانشگاه تربیت مدرس رساله دکتری.

11. رهنـما، م. (1376). حسینیه‌ها در بافت تاریخی مشهد. مجله مشکات، شماره 56 و57.

12. رهنـمـا، م. (1386). تبیین نقش و جایگاه برنامه جامع میان‌مدت هماهنگی در توسعه کلان‌شهرها نمونه: شهر مشهد. مشهد: دانشگاه فردوسی مشهد.

13. رهنما،م.، و امیرفخریان، م. (1391). تحلیل توزیع فضایی آژانس‌های مسافرتی در شهر مشهد. جغرافیا و برنامه-ریزی، سال 16، شماره 41، صص. 129-152.

14. زنگی‌آبادی، ع.، محمدی،ج.، و زیرکباش، د. (1387). تحلیل گردشگری داخلی شهر اصفهان. فصلنامه جغرافیا و توسعه، دوره 4، شماره پیاپی 8. صص. 131-156.

15. سایت سازمان ‏میراث‏ فرهنگی. (1396).

16. سایت مرکز آمار ایران،(1396)

17. سلیمانی، پ. گلیان، ا.و صدقی، م. (1390). ﻣﻘﺎﻳﺴﻪ ﻣﺪل ﭘﻴﺶ‌ﻫﺎی رﮔﺮﺳﻴﻮن ﺧﻄﻲ ﭼﻨﺪﮔﺎﻧﻪ و ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﻣﺼﻨﻮﻋﻲ ﺑﺮای پیش‌ﺑﻴﻨﻲ اﺳﻴﺪﻫﺎی آﻣﻴﻨﻪ ارزن ﻣﺮوارﻳﺪی ﺑﺎ اﺳﺘﻔﺎده از ﺗﺠﺰﻳﻪ تقریبی. نشریه پژوهش‌های علوم دامی ایران، شماره 4، 363-368.

18. شکویی، ح. (1385). دیدگاه‌های نو در جغرافیای شهری. تهران: انتشارات سمت.

19. طرح ‏جامع‏ شهر مشهد. (1346). سازمان مسکن و شهرسازی خراسان

20. عبدی آلادزگه،.ا. (1382). پیش‌بینی تقاضای توریسم خارجی با استفاده از شبکه عصبی و رگرسیون فازی. پایان-نامه کارشناسی ارشد دانشگاه صنعتی اصفهان.

21. غمامی،م. (1372). طرح جامع مشهد. فصلنامه آبادی، سال سوم شماره 9.صص70-80

22. فرزین، م. ر.،افسر، ا.اکبرپور، ت. و پوراکبر،ع. (1393). مدل‌سازی پیش‌بینی گردشگری ورودی به ایران با استفاده از روش‌هایARIMA و شبکه‌های عصبی فازی. فصلنامه مطالعات مدیریت گردشگری، دوره 8، شماره 24. صص. 1-33.

23. کارگر، م، و جعفریان، ز. (1395). مقایسه مدل‌های شبکه عصبی مصنوعی و رگرسیون خطی در پیش‌بینی وقوع آتش سوزی جنگل و مراتع استان مازندران. نشریه محیط زیست طبیعی، شماره 1(دوره 69)، صص 159-170.

24. گی، و. چ. (1386). جهانگردی در چشم‌انداز جامع. ترجمه: ع. پارسائیان، و س. اعرابی، تهران: دفتر پژوهش‌های فرهنگی.

25. مهندسین مشاور فرنهاد. (1386). چشم‌انداز و الگوی عمومی توسعه و عمران کلان‌شهر مشهد مقدس. مشهد: سازمان مسکن و شهرسازی.

26. موسوی،م، ویسیان،م.، محمدی حمیدی، س. و اکبری، م. (1394). بررسی و اولویت‌بندی توان‌ها و زیرساخت-های توسعۀ گردشگری با روش‌های تصمیم‌گیری چند معیاره (مورد مطالعه: شهرستان‌های استان کردستان). مجله گردشگری شهری. دوره 2، شماره 1. صص 17-31.

27. میرا،.ز. (1389). پیش‌بینی وضعیت وفاداری مشتری در توریسم الکترونیک با استفاده از شبکه‌های عصبی مصنوعی. تهران: پایان‌نامه کارشناسی ارشد دانشگاه الزهرا(ع). دانشکده فنی.چاپ شده

28. نوراسیس، م. (1390). شبکه‌های عصبی در spss. تهران: کیان رایانه.

29. Bailey, T. C., & Gatrell, A. C. (1995). Interactive spatial data analysis. Harlow, UK: Longman.

30. Bloom, J. Z. (2004). Tourist market segmentation with linear and non-linear techniques. Tourism Management, 25(6), 723-733.

31. Charlton, M., Fotheringham, S., & Brunsdon, C. (2006). NCRM Methods Review Papers NCRM/006. Geographically Weighted Regression. Unpublished paper.

32. Huang, B., Wu, B., & Barry, M. (2010). Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices. International Journal of Geographical Information Science, 24(3), 383-401.

33. Liu, C. H., Tzeng, G. H., Lee, M. H., & Lee, P. Y. (2013). Improving metro–airport connection service for tourism development: Using hybrid MCDM models. Tourism Management Perspectives, 6, 95-107.

34. Medlik, S. (2003). Dictionary of travel, tourism and hospitality. Oxford, UK: Butterworth-Heinmann.

35. Mitchell, A. (2005). The ESRI guide to GIS analysis (vol. 2). New York, NY: ESRI press. Esri press.

36. Pino-Mejias, R., Perez-Fargallo, A., Rubio-Bellido, C., & Pulido-Arcas, J. A. (2017). Comparison of linear regression and artificial neural networks models to predict heating and cooling energy demand, energy consumption and CO2 emissions. Energy, 118, 24-36.

37. Saayman, A., & Botha, I. (2017). Non-linear models for tourism demand forecasting. Tourism Economics, 23(3), 594-613.

38. World Travel and Tourism Councel. (2015). Travel and tourism; economic impact 2015. Retrieved from: http://yon.ir/kYgHI