Author(s): Constantino, Hortêncio ; Fernandes, Paula Odete ; Pereira, João Paulo
Date: 2017
Persistent ID: http://hdl.handle.net/10198/21753
Origin: Biblioteca Digital do IPB
Subject(s): Modelação; Previsão; Procura turística; Moçambique; Regressão linear múltipla; Redes neuronais artificiais
O principal objetivo do presente trabalho assenta no estudo comparativo entre Redes Neuronais Artificiais e o modelo de Regressão Linear Múltipla, para prever a procura turística em Moçambique. Utilizou-se para tal, o número de dormidas mensais registadas nos estabelecimentos hoteleiros, para o período de Janeiro de 2004 a Dezembro de 2013 como variável dependente. Neste contexto foram selecionadas as variáveis explicativas: Índice Harmonizado de Preços ao Consumidor, Produto Interno Bruto e Taxa de Câmbio para os principais mercados emissores: África Sul, Estados Unidos da América, Moçambique, Portugal e Reino Unido. O modelo de redes neuronais artificiais tem uma arquitetura feedforward com uma camada escondida. Experimentaram-se diversas combinações das variáveis de entrada, diferente número de nós na camada escondida, e diferentes funções de ativação. Experimentaram-se ainda diferentes formas de apresentar a variável dependente, nomeadamente na sua forma natural (o seu valor absoluto), na forma exponencial e na forma de diferenças logarítmicas. Das diversas experiências apresentam-se aqui as melhores soluções. Destacam-se, com melhores resultados, a utilização das variáveis de entrada: índice de preços ao consumidor de Moçambique, e as taxas de câmbio do euro, do rand e do dólar face ao metical. Em alguns casos as variáveis do produto interno bruto dos Estados Unidos da América e de Portugal adicionalmente às anteriores melhoram as previsões. A partir dos resultados obtidos pôde-se observar que o modelo de Redes Neuronais Artificias produziu melhores previsões, ou seja, apresentou uma qualidade estatística de ajuste bastante satisfatória. Assim, o mesmo permitiu efetuar previsões para a procura turística em Moçambique, apresentando um coeficiente de correlação de Pearson de 0,696 e um Erro Percentual Absoluto Médio (MAPE) de 6,5%, num conjunto de teste nunca visto no processo de ajuste/treino do modelo.
