A comparative study on the accuracy of tourism forecasting models^†

2018, 29

6)

1629–1641

관광객 수요예측모형 정확성 비교연구 ^†

이 ᆷ성식

¹

1서경대학교 인성교양대학

ᄌ ᅥ

ᆸᄉ ᅮ 2018ᄂ ᅧ ᆫ 9ᄋ ᅯ ᆯ 13ᄋ ᅵ ᆯ, ᄉ ᅮᄌ ᅥ ᆼ 2018ᄂ ᅧ ᆫ 10ᄋ ᅯ ᆯ 31ᄋ ᅵ ᆯ, ᄀ ᅦᄌ ᅢ ᄒ ᅪ ᆨᄌ ᅥ ᆼ 2018ᄂ ᅧ ᆫ 11ᄋ ᅯ ᆯ 4ᄋ ᅵ ᆯ

요 약

ᄇ

ᅩ ᆫ ᄋ ᅧ ᆫᄀ ᅮᄂ ᅳ ᆫ ᄇ ᅡ ᆼᄒ ᅡ ᆫ ᄀ ᅪ ᆫᄀ ᅪ ᆼᄀ ᅢ ᆨᄋ ᅦ ᄃ ᅢᄒ ᅡ ᆫ ᄉ ᅮᄋ ᅭᄋ ᅨᄎ ᅳ ᆨ ᄆ ᅩᄒ ᅧ ᆼᄋ ᅳᄅ ᅩ ᄋ ᅱ ᆫ ᄐ ᅥᄉ ᅳᄋ ᅴ ᄀ ᅨᄌ ᅥ ᆯᄌ ᅵᄉ ᅮᄑ ᅧ ᆼᄒ ᅪ ᆯ ᄆ ᅩᄒ ᅧ ᆼ, ᄀ ᅨᄌ ᅥ ᆯ ARIMAᄆ ᅩᄒ ᅧ ᆼ ᄆ ᅵ

ᆾ ᄀ ᅢᄋ ᅵ ᆸᄆ ᅩᄒ ᅧ ᆼᄋ ᅳ ᆯ ᄌ ᅦᄉ ᅵᄒ ᅡᄋ ᅧ ᆻᄃ ᅡ. ᄀ ᅪ ᆫᄀ ᅪ ᆼᄀ ᅢ ᆨ ᄉ ᅮᄂ ᅳ ᆫ ᄒ ᅢᄃ ᅡ ᆼ ᄀ ᅮ ᆨ ᄀ ᅡᄋ ᅴ ᄀ ᅪ ᆫᄀ ᅪ ᆼᄌ ᅥ ᆼᄎ ᅢ ᆨᄋ ᅵᄂ ᅡ ᄀ ᅮ ᆨ ᄂ ᅢᄋ ᅬᄋ ᅴ ᄀ ᅧ ᆼᄀ ᅵᄉ ᅡ ᆼ ᄒ ᅪ ᆼᄀ ᅪ ᄀ ᅡ ᇀᄋ ᅳ ᆫ ᄋ ᅬᄇ ᅮᄎ ᅮ ᆼ ᄀ ᅧ

ᆨᄋ ᅭᄋ ᅵ ᆫᄋ ᅦ ᄄ ᅡᄅ ᅡ ᄆ ᅡ ᆭᄋ ᅳ ᆫ ᄋ ᅧ ᆼᄒ ᅣ ᆼᄋ ᅳ ᆯ ᄇ ᅡ ᆮᄂ ᅳ ᆫ ᄃ ᅡ. ᄋ ᅨᄎ ᅳ ᆨ ᄆ ᅩᄒ ᅧ ᆼᄋ ᅦ ᄋ ᅧ ᆼᄒ ᅣ ᆼᄋ ᅳ ᆯ ᄆ ᅵᄎ ᅵᄂ ᅳ ᆫ ᄋ ᅭᄋ ᅵ ᆫᄋ ᅳ ᆯ ᄑ ᅡᄋ ᅡ ᆨᄒ ᅡᄀ ᅩ, ᄒ ᅣ ᆼᄒ ᅮ ᄇ ᅡ ᆼᄒ ᅡ ᆫ ᄋ ᅬᄀ ᅮ ᆨ ᄀ ᅪ ᆫᄀ ᅪ ᆼ ᄀ ᅢ

ᆨᄋ ᅴ ᄉ ᅮᄅ ᅳ ᆯ ᄇ ᅩᄃ ᅡ ᄒ ᅭᄋ ᅲ ᆯᄌ ᅥ ᆨᄋ ᅳᄅ ᅩ ᄋ ᅨᄎ ᅳ ᆨ ᄒ ᅡᄀ ᅵ ᄋ ᅱᄒ ᅡ ᆫ ᄉ ᅵᄀ ᅨᄋ ᅧ ᆯ ᄆ ᅩᄒ ᅧ ᆼᄋ ᅳ ᆯ ᄎ ᅡ ᆽᄂ ᅳ ᆫ ᄃ ᅦ ᄋ ᅵ ᆻᄃ ᅡ. ᄉ ᅵ ᆯᄌ ᅳ ᆼᄇ ᅮ ᆫᄉ ᅥ ᆨᄋ ᅳ ᆯ ᄐ ᅩ ᆼ ᄒ ᅢ ᄀ ᅢᄋ ᅵ ᆸᄒ ᅭᄀ ᅪᄅ ᅳ ᆯ ᄇ

ᅡ ᆫᄋ ᅧ ᆼᄒ ᅡ ᆫ ᄀ ᅢᄋ ᅵ ᆸᄆ ᅩᄒ ᅧ ᆼᄋ ᅵ ᄀ ᅨᄌ ᅥ ᆯᄌ ᅵᄉ ᅮᄑ ᅧ ᆼᄒ ᅪ ᆯ ᄆ ᅩᄒ ᅧ ᆼᄋ ᅵᄂ ᅡ ᄀ ᅨᄌ ᅥ ᆯARIMAᄆ ᅩᄒ ᅧ ᆼᄋ ᅦ ᄇ ᅵᄒ ᅢ ᄋ ᅨᄎ ᅳ ᆨᄅ ᅧ ᆨᄋ ᅵ ᄃ ᅥ ᄋ ᅮᄉ ᅮᄒ ᅡ ᆫ ᄀ ᅥ ᆺᄋ ᅳᄅ ᅩ ᄑ ᅡ ᆫᄆ ᅧ ᆼ ᄃ

ᅬᄋ ᅥ ᆻᄃ ᅡ.

ᄌ

ᅮᄋ ᅭᄋ ᅭ ᆼ ᄋ ᅥ: ᄀ ᅢᄋ ᅵ ᆸᄆ ᅩᄒ ᅧ ᆼ, ᄀ ᅨᄌ ᅥ ᆯ ARIMAᄆ ᅩᄒ ᅧ ᆼ, ᄋ ᅱ ᆫ ᄐ ᅥᄉ ᅳᄋ ᅴ ᄀ ᅨᄌ ᅥ ᆯᄌ ᅵᄉ ᅮᄑ ᅧ ᆼᄒ ᅪ ᆯ ᄆ ᅩᄒ ᅧ ᆼ.

1. 머리말 과

ᆫ광산업은정치, 경제, 사회, 문화, 기술,자연환경 등다양한환경에 둘러싸여 있으며 이러한환경변 ᄒ

ᅪ는관광산업 경기에 직접적인 영향을미치게된다. 특히 테러, 전쟁, SARS, 메르스 (MERS) 및 조류 ᄃ

ᅩ

ᆨ감과 같은 질병발생 등예측 불가능한환경변화의 요인은관광산업 경기 전반에 걸쳐 막대한 영향을 ᄆ

ᅵ치게 되지만 대부분관광기업은이러한 유사환경변화에 대응할 수 있는시스템이 미비한 실정이다.

ᄄ

ᅡ라서관광산업의 발전이 가속화되고 오늘날에 예기치 못한환경변화가 빈번하게 발생하고 있는 현 시

ᆯ을 고려할 때 시기적절한 경기동향분석 자료는관광기업의 효율적인 경영활동을 지원할 뿐만 아니라 저

ᆼ부의 관광산업 정책방향을제시하는데 있어 중요한 역할을 한다. 또한 관광산업은외화수입을 통한 ᄀ

ᅮ

ᆨ제수지 개선, 소득 및 고용 증대, 세수증대 등경제적인 중요성으로 인해 각 나라마다 경쟁적으로 관 과

ᆼ산업을 육성하고 있다. 그러나관광산업의 우위를확보하기 위해서는 급변하는환경에 대응할 수 있 ᄂ

ᅳᆫ전략과 합리적인 의사결정을내려야 하는데, 이때 필수적인 의사결정요소 중하나가 수요예측이라 할 ᄉ

ᅮ 있다 (Song과 Lee, 2006).

ᄆ

ᅡᆫ일, 관광수요를과대 예측하게 되면관광시설이나 서비스의 공급과잉으로 운영난으로 어려움을 겪 ᄀ

ᅦ될뿐만 아니라관광자원의 낭비를초래하게 된다. 반면에 관광수요를과소 예측하게 되면 객실 등 과

ᆫ광시설의 부족으로 수익을극대화할 수 있는기회를상실하게될 뿐만 아니라 서비스의 질적 저하로 과

ᆫ광객들의 불만을가져오는결과를초래하게된다. 그러므로관광수요의 정확한 예측은 공공부문이나 ᄆ

ᅵᆫ간부문모두에게 의사결정의 질을 높여관광산업의 경쟁에서 우위를 확보해줄 뿐만 아니라 경제적인 ᄒ

ᅭ과도 함께 누릴 수 있는기회를제공해 준다.

†

ᄇ ᅩ ᆫ ᄋ ᅧ ᆫᄀ ᅮᄂ ᅳ ᆫ 2018ᄒ ᅡ ᆨᄂ ᅧ ᆫᄃ ᅩ ᄉ ᅥᄀ ᅧ ᆼᄃ ᅢᄒ ᅡ ᆨᄀ ᅭ ᄀ ᅭᄂ ᅢᄋ ᅧ ᆫᄀ ᅮᄇ ᅵ ᄌ ᅵᄋ ᅯ ᆫ ᄋ ᅦ ᄋ ᅴᄒ ᅡᄋ ᅧ ᄋ ᅵᄅ ᅮᄋ ᅥᄌ ᅧ ᆻᄋ ᅳ ᆷ.

1

(02713) ᄉ ᅥᄋ ᅮ ᆯᄐ ᅳ ᆨᄇ ᅧ ᆯᄉ ᅵ ᄉ ᅥ ᆼᄇ ᅮ ᆨ ᄀ ᅮ ᄉ ᅥᄀ ᅧ ᆼᄅ ᅩ 124ᄇ ᅥ ᆫᄌ ᅵ, ᄉ ᅥᄀ ᅧ ᆼᄃ ᅢᄒ ᅡ ᆨᄀ ᅭ ᄋ ᅵ ᆫᄉ ᅥ ᆼᄀ ᅭᄋ ᅣ ᆼᄃ ᅢᄒ ᅡ ᆨ, ᄀ ᅭᄉ ᅮ.

E-mail: [email protected]

ᄋ

ᅵ런 면에서 관광수요와 수요예측에 대한 다양한 연구들이 있었다. Im (1990)은 다중회귀모형과 ARIMA 모형을 이용하여 방한 일본인 방문객수요에 대한 정확성 비교에서 다중회귀모형에 비해 ARIMA 모형의 예측성능이 우수함을 보였다. Tuner 등 (1997)은 뉴질랜드 분기별 관광자료에 지 ᄉ

ᅮ평활모형과 ARIMA 모형을적용하여 예측의 정확성을비교분석결과 ARIMA 모형이 우수함을보였 ᄃ

ᅡ. Chu (1998)는아시아-태평양국가의 월별방문객수 예측에 시간추세모형과 지수평활모형, ARIMA ᄆ

ᅩ형을이용한 분석결과, 역시 ARIMA 모형의 예측력이 우월함을보였다. Park 등(2015)은방한 중국 ᄋ

ᅵᆫ관광객 자료에 홀트 지수평활모형, 윈터스의 지수평활모형, ARIMA 모형, 회귀분석모형을적용하여 ᄋ

ᅨ측성능을비교한 결과 윈터스의 승법지수평활모형의 예측력이 가장 우월함을보였다. Song (2016)은 ᄌ

ᅦ주를방문하는관광객 수를여행형태 및 목적에 따른 올바른수요예측을위하여 개입모형을이용한 분 ᄉ

ᅥ

ᆨ을 실시하였다.

ᄀ

ᅳ러나 이들 연구는 정책이나 경기상황과 같은 외부충격요인으로 야기되는변화를적절히 반영하지 ᄆ

ᅩ

ᆺ한 분석이라 하겠다. 이러한 외부충격요인이 어떤 시점이나 기간 동안 발생하게 되면, 그 시점이나 기 ᄀ

ᅡᆫ 동안 시계열의 값이큰 폭으로 감소하거나 증가하는변화를보이게된다. 이를개입효과라 하며, 이 ᄅ

ᅥ한 효과를반영한 모형을활용한 분석이 바람직하다고 사료된다. Box와 Tiao (1975)는이러한 개입 ᄒ

ᅭ과의 영향을모형에 포함시켜 보다 더 현실적이며 예측의 정도를 높일 수 있는모형을제시하였다.

2015년 5월 발생한 메르스 사태와 2017년 2월 사드 (THAAD)배치 결정으로 중국정부의 한국여행 ᄌ

ᅦ한 조치와 같은외부충격이나 정책변화는방한관광객 수를 급격히 줄어들게 하는 원인이 되었다. 이 ᄅ

ᅥ한 정책의 변화나 충격요인을개입효과라 하며, 이를반영한 모형을개입모형이라 한다. 이와 같이 개 이

ᆸ효과를가진 시계열의 경우 개입모형을이용함으로써 예측력의 정도를 높일 수 있다. 따라서 본연구 ᄋ

ᅦ서는 원터스의 승법계절모형, 모형, 그리고 개입모형에 방한한 외국관광객 시계열을적용하여 모형별 ᄋ

ᅨ측성능비교를 통해 개입모형의 우월성을보이고자 한다. 이는향후 유사한 개입효과 발생 시 향후 수 ᄋ

ᅭ에 대한 보다 정확한 사전예측을 통하여 정책 전반에 대한 보다 정확한 대안을제시할 수 있으리라 기 ᄃ

ᅢ된다.

2. 관광객 수요예측 모형

2.1. 윈터스의 계절지수평활법 ᄋ

ᅱ

ᆫ터스의 계절지수평활법은 대부분 시계열 자료가 주기성 즉 계절성분을 갖고 움직이면서 시계열의 펴

ᆼ균수준이 시간의 흐름에 따라 그 변동의 폭이 일정한 경우 또는 폭이 점차로 커지거나 작아지는경향 ᄋ

ᅳᆯ나타내는경우 적합한 모형이다.

ᄉ

ᅵ계열의 변동폭이 시간의 흐름에관계없이 일정할 때 이용가능한 모형인 윈터스의 가법계절모형은 ᄉ

ᅵ계열이 추세성분과 계절성분 및 불규칙성분들의 합으로 구성된모형이다.

zn+l= Tn+l+ Sn+l+ In+l. ᄀ

ᅳ러나 시계열의 변동 폭이 시간의 흐름에 따라 변할 때 사용되는 윈터스의 승법계절모형은시계열이 ᄎ

ᅮ세성분과 계절성분의 곱그리고 불규칙성분의 합으로 구성된모형이다.

zn+l= Tn+lSn+l+ In+l,

ᄋ

ᅧ기서 Tn+l은추세성분, Sn+l은계절주기 s를가지는계절성분, In+l은오차항으로 불규칙성분에 해당 되

ᆫ다. 각 성분의 추정은평활법에 의해 추정한 후 이를이용하여 예측값을구하는방법이다. 먼저 갱신 ᄇ

ᅡᆼ정식을구하면

Tˆn+1= w1

 zn+1

Sˆn+1−s



+ (1 − w1)( ˆTn+ ˆβn), βˆn+1= w2( ˆTn+1− ˆTn) + (1 − w2) ˆβn, Sˆn+1= w3

 zn+1

Tˆn+1



+ (1 − w3) ˆSn+1−s

ᄋ

ᅵ고, 여기서 w1, w2, w3는 평활상수이고 0과 1사이의 값을 갖는다. 초기평활값 ˆT0, ˆβ0, ˆSj−s (j = 1, 2, · · · , s)을구할 수 있으며, 이에 대한 자세한 내용은 Abraham과 Ledolter (1983)을참고하기 바 ᄅ

ᅡᆫ다.

2.2. 모형 ᄉ

ᅵ계열 모형 중 예측에 주로 이용되는 일반적인 모형은 Box-Jenkins의 계절형 자기회귀누적이동평 규

ᆫ모형이 있다. 이 모형을활용하기 위해서는시계열자료의 정상성 만족여부를먼저확인 후 모형수립 3단계 적합과정에 따라 잠정모형을선택하고 모수를추정하여 잠정모형의 적합성을 진단하는 3단계 절 ᄎ

ᅡ에 따라 분석하게된다. 모형수립 3단계를 통하여 계절형 모형이 적합한 모형으로 설정되면 이 모형 으

ᆯ이용하여 예측을하게된다. 계절형 ARIMA (p, d, q) (P, D, Q)s모형은다음과 같다 (Box 등, 1994;

Wei, 1990).

ϕ(B)Φ(B^s)



▽^d▽^Ds yt− µ

= θ(B)Θ(B^s)at, ᄋ

ᅧ기서 Byt= yt−1, ▽ = 1 − B, d와 D는차분차수, s는계절주기, µ는평균이고, 오차항 ϵt는서로 독 리

ᆸ이고 평균이 0, 분산이 σ²을따르는백색잡음이며,

ϕ(B) = 1 − ϕ1B − ϕ2B²+ · · · + ϕpB^p, θ(B) = 1 − θ1B − θ2B²+ · · · + θqB^q, Φ(B^s) = 1 − Φ1B^s− Φ2B^2s+ · · · + ΦPB^{P s}, Θ(B^s) = 1 − Θ1B^s− Θ2B^2s+ · · · + ΘQB^Qs ᄋ

ᅵ다.

2.3. 개입분석모형 이

ᆯ반적으로 개입분석을위해서는개입요인 변수를먼저 정의하여야 한다. 개입요인 변수는 2가지 유 혀

ᆼ이 있는데 그 하나는개입요인 발생이후 그 효과가 모든시점에 영향이 지속되는경우와 개입요인 발 새

ᆼ시점에서만 영향을미치는경우 등 2가지 형태로 정의된다. 이를살펴보면, 어떤 시점 T 에서 발생된 ᄀ

ᅢ입이 그 시점 이후에도 지속적으로 효과가 유지되는경우로써 변수는

S_t^{(T )}=







0, t < T 1, t ≥ T ᄅ

ᅩ 나타내며, 다른하나는시점 T 에서만 개입이 일어나는변수로써

P_t^{(T )}=







0, t ̸= T 1, t = T ᄅ

ᅩ 나타난다. 여기서 T 는개입요인이 발생한 시기이다.

저

ᆼ의된개입요인의 변수에 따라 개입효과는여러 가지 형태로 표현이 가능하며 일반적인 형태는

w(B)B^b δ(B)S_t^{(T )} ᄄ

ᅩ는

w(B)B^b δ(B)P_t^{(T )} ᄋ

ᅪ 같다. 여기서 w(B) = w0− w1B − · · · − wsB^s, δ(B) = 1 − δ1B − · · · − δrB^r로 B의 다항식이 ᄆ

ᅧ B는후행연산자이고, b는 개입효과에 대한 지연시차이며, w(B)에서 wj는개입의 초기 기대효과를 ᄋ

ᅴ미하고, δ(B)는개입의 영구적 효과를나타내는 식이다 (Abraham과 Ledolter, 1983; Box 등, 1994;

Wei, 1990). 따라서 개입모형은다음과 같이 정의된다.

yt=

k

X

j=1

wj(B)B_j^b

δj(B) Xjt+ Nt, ᄋ

ᅧ기서 ^wj_δ^(B)B_j(B)^bj는 j번째 개입에 대한 기대되는개입효과를 의미하고, Xjt는 개입변수로서 St^{(T )} 또는 P_t^{(T )}이며, 잡음항 Nt는 승법계절 ARIMA모형을따른다고 가정한다.

ᄀ

ᅢ입모형을 분석하기 위해서는먼저 개입요인이 발생하기 전 자료 {yt : t < T }를이용하여 잡음 Nt

ᄆ

ᅩ형에 대해 ARIMA모형식별 방법에 따라 잠정모형을 식별하고 추정하고 진단한다. 잡음모형이 적합 ᄃ

ᅬ면 개입요인의 형태와 효과에 의해 적절한 개입모형을결정하고 개입효과를나타내는 모수를추정한 ᄃ

ᅡ. 그러나 모형이 적합하지 않다면 적절한 수정을 거처 모형수립 3단계 과정을반복 실시하여 최적의 ᄆ

ᅩ형을선택하게된다.

ᄇ

ᅩᆫ연구에서는메르스 같은 질병의 창궐이나 사드 배치로 인한 중국정부의 여행제한 등의 시점에서 개 이

ᆸ요인의 효과가 발생하며 또한 이 효과는시간이 지남에 따라 효과가 점점 줄어드는양상을나타낼 것 ᄋ

ᅳ로 기대되기 때문에 Xjt로서 St^{(T )}나 Pt^{(T )}를적용하였다.

3. 실증 분석

3.1. 관광객 수 자료의 특성 ᄃ

ᅢ부분의 국제관광수요는관광객의 수나관광수지에 의해 측정된다. Lim (1997)은 국제관광수요모 혀

ᆼ에관한 100편의 연구논문을검토한 결과 이중 51편은관광객 입국자 또는 출국자 수로, 49편은관광

개

ᆨ의 지출액 또는관광수입을 종속변수로 사용하였음을확인하였다. 한편, Witt와 Witt (1992)는관광 ᄉ

ᅮ입 또는지출자료보다관광객 수 자료가 더 신뢰할 수 있다고 주장하였다.

ᄄ

ᅡ라서 본연구에서는한국관광공사를 통해 수집된자료를활용하였으며, 국내에 입국한관광객 수 자 ᄅ

ᅭ 중 높은비중을차지하는 중국인관광객과 일본인관광객을대상으로 연구를수행하고자 한다. 분석 ᄀ

ᅵ간은 2005년 1월부터 2018년 6월까지 집계한 중국 및 일본관광객 수 총 162개 월별 자료를활용한 ᄃ

ᅡ.

Figure 3.1은 2005년 1월부터 2018년 6월까지 우리나라에 입국한 중국인 및 일본인관광객 수에 대 ᄒ

ᅡᆫ 시계열도이다. 먼저 중국관광객의 시계열을살펴보면, 시간이 지남에 따라 시계열이완만한 증가추 ᄉ

ᅦ를보일뿐만 아니라 일정한 주기로 움직이면서 변동 폭이 점차 커지는경향을보이는데, 특히 2013년 6월을기점으로 갑자기큰 폭의 변동을보이는것을알 수 있다. 그러나 일본관광객은지속적으로완만 ᄒ

ᅡ게 증가하는경향을보이다가 2013년 중국관광객이 급증하면서 오히려 조금씩 감소하여 현재에 이르 ᄀ

ᅩ 있다.

ᄀ

ᅳ런데 2015년 특정기간과 2017년 이후 지속적으로관광객 수가 갑자기큰 폭으로 감소한 것을알 수 이

ᆻ다. 감소의 원인은 2015년 5월에 발생한 메르스 사태와 2017년 2월 국방부의 사드 배치 계약 때문 ᄋ

ᅵᆫ 것으로 판단된다. 2015년 5월 중동지역에 출장 갔다가 귀국한 남성이 중동호흡기증후군인 메르스환 ᄌ

ᅡ로확진되면서부터 그해 12월 메르스 종식을 공식 선언할 때까지 국내사회 전 분야가큰 혼란에 빠지 ᄀ

ᅦ 되었다. 주로 중동지역에서 발생하는 질병으로 알려진 중동호흡기증후군인 메르스는이집트의 바이 ᄅ

ᅥ스 학자 알리 모하메드 자키 박사에 의해 2012년 9월 처음발견되었다. 이 바이러스의 증상은초기에 ᄇ

ᅡᆯ열, 기침, 가래, 숨가쁨 증세를보이다가 급성폐렴 및 급성 신부전을 동반하는치사율이 매우 높은치 며

ᆼ적인 질병으로 알려져 있다. 이 메르스의 발생이 외국 관광객 특히 중국 관광객을방한을 큰 폭으로 ᄀ

ᅡ

ᆷ소시켰으며, 또한 국내 관광산업을크게 위축시켰을 뿐만 아니라 국내 경기에도 상당한 타격을 주는 겨

ᆯ과를초래하였다.

ᄀ

ᅳ런데 메르스 사태로 중단된 외국방문객의 감소로 위축되었던 경제가 조금씩 회복기미를보이려는 ᄉ

ᅮᆫ간에 또 다시 2016년 7월 고고도 미사일 방어체계인 사드 배치 결정이라는악재를만났다. 국방부가 2017년 2월 사드 체계 부지계약을 국내기업과 체결하자 그 즉시 중국의 보복이 본격화되면서 한국관광 ᄌ

ᅥᆫ면 금지조치로관광객 수가큰 폭으로 감소하였다. 부지를제공한 국내기업은 중국의 비이성적인 공 겨

ᆨ에 노출되어 많은경제적인 어려움을겪고 있다. 또한 중국 당국의 한국 관광 전면금지 조치와 더불 ᄋ

ᅥ 화장품·식품·엔터테인먼트 사업까지 규제를강화해관련 국내 업계에 비상이 걸렸다. 계속된 중국정 ᄇ

ᅮ의 사드보복으로 중국관련업체들과관광관련 업체들의 피해가 전방위적으로 발생하였으며 주가 역시 ᄑ

ᅩ

ᆨ락하는사태를맞이하였다.

ᄄ

ᅩ한 Figure 3.2는방한한 중국인과 일본인관광객 수에 대한 전년도 대비 증감률을나타낸 것이다.

ᄌ

ᅮᆼ국인 관광객의 전년 대비 증감률을살펴보면, 관광객의 큰 폭의 감소는 2015년 5월 메르스 발생 후 6 8월과 2017년 2월 사드부지 계약체결 시점 후인 3월부터 지속적으로 이루어져왔음을알 수 있다 (원 ᄎ

ᅡ

ᆷ조). 메르스 발생이후 중국관광객은전년대비 6월이 45.1%, 7월은 63.1%, 8월은 32.3%감소한 것으 ᄅ

ᅩ 나타났다. 또한 사드부지 계약체결에 따른관광객의 전년대비 감소율은 2017년 3월에 40.0%를시작 ᄋ

ᅳ로 7월에 69.3%까지 감소하는 등 2018년 2월까지 40%이상 감소세를유지하고 있음을그림에서확인 ᄒ

ᅡᆯ 수 있다.

ᄀ

ᅳ리고 메르스 사태로 일본관광객 역시 6월 41.5%, 7월 52.6%, 8월 28.6%로큰 폭의 감소로 이어졌 ᄃ

ᅡ. 이와 같이 메르스가 국내관광산업관련 전반에 얼마나 많은영향을 미쳤는지를알 수 있다. 또한 주

ᆼ국정부의 한국여행금지 제한조치로 인한관광객의 급격한 감소는지금까지도 국내관광업계 종사자 ᄃ

ᅳ

ᆯ뿐만 아니라 중국과관련된 업체들에게도 많은피해를주고 있는 실정이다.

ᄋ

ᅵ와 같이 메르스 발생과 같은외부충격요인이나 사드배치와 같은정책변화의 영향을받아 해당 시점

Figure 3.1 Time plot of Chinese and Japanese tourists

으

ᆯ 중심으로 시계열이큰 폭으로 변동하는현상이 지속적으로 나타남을 Figure 3.1과 3.2를 통해 알 수 이

ᆻ었다. 이는 관광객 수가 외부의 여러 충격요인이나 정책의 변화에 따라 많은영향을 받는 다는것을 ᄇ

ᅩ여주는것이다.

(a) Chinese (b) Japanese

Figure 3.2 Time plot of year to year ratio

ᄌ

ᅡ료분석에 사용된패키지는 SAS 9.4를활용하였으며, 또한 2005년 1월부터 2015년 4월까지의 자료 느

ᆫ모형을찾는데 사용하였고, 2015년 5월부터 2018년 6월까지 3년 1개월 자료는예측능력을 측정하기 ᄋ

ᅱ해 사용하였다.

3.2. 윈터스의 지수평활모형 분석 ᄇ

ᅡᆼ한한 중국 및 일본관광객 시계열 자료의 그림을보면 평균수준이 변화하는선형추세와 계절요인을

ᄀ ᅡ

ᆽ는것으로 파악된다. 특히 그림에서 중국관광객 시계열이 시간의 흐름에 따라 변동의 폭이 점점 커지 느

ᆫ것으로 보아 윈터스의 승법계절지수평활법을적용하는것이 바람직한 것으로 판단된다.

ᄌ

ᅵ수평활모형을 적용하기 위해 먼저 평활상수를 결정하여야 한다. 이를 위해 각 wⁱ = 0.1 (i = 1, 2, 3)에서 시작하여 0.1씩 증가시켜 가면서 1-시차 후 오차제곱합 SSE를 최소로 하는 평활상수의 지

ᆸ합 (w1, w2, w3)값을평활상수로 정하기 위해 시뮬레이션을수행하였다. SSE를최소로 하는평활상 ᄉ

ᅮ를찾은결과 중국관광객 시계열평활상수는 (w1, w2, w3) = (0.9, 0.1, 0.4)가, 일본관광객 시계열에 ᄃ

ᅢ한 평활상수는 (w1, w2, w3) = (0.5, 0.1, 0.1)가 선택되었다. 평활상수와 초기평활값을적용하여 예 ᄎ

ᅳ

ᆨ을수행하였다.

3.3. 모형 분석

ARIMA모형을 적용하기 앞서 먼저 원계열의 정상성 여부를확인하기 위하여 시계열 도표를이용하 ᄋ

ᅧᆻ다. Figure 3.1의 시도표를보면, 일본관광객의 시계열은변동폭의 변화는거의 없지만 추세와 계절 ᄋ

ᅭ인이 존재하는비정상 시계열로 판단된다. 따라서 차분과 계절차분을 통해 정상성화 할 필요가 있다.

ᄇ

ᅡᆫ면 중국관광객의 시계열은 2013년부터 사드분쟁 이전까지큰 폭의 증가로 변동폭이 서로 다른 분산 ᄋ

ᅵ 증가하고 추세와 계절성이 있는비정상 시계열로 판단된다. 따라서 로그변환을 이용하여 분산 안정 ᄒ

ᅪ변환을수행하였다. 그러나 로그변환후 시도표를살펴본결과, 추세와 계절요인이 존재하여 1차 차 부

ᆫ 및 계절 차분을 실시하였다.

ᄆ

ᅩ형수립 3단계 중 1단계인 모형식별 결과 중국인관광객 모형은비계절형 과 MA의 차수가 2, 계절 혀

ᆼ MA 차수가 1인 계절 ARIMA((2), 1, (2))(0, 1, 1)12모형이 적합한 모형으로 식별되었고, 일본관 과

ᆼ객 시계열 모형은비계절형 과 MA의 차수가 1, 계절형 MA 차수가 1인 계절 ARIMA(1, 1, 1)(0, 1, 1)12

ᄆ

ᅩ형이 적합한 모형으로 식별되었다.

시

ᆨ별된잠정모형에 시계열을적합시켜 모수를 추정한 결과 Table 3.1과 같다. 모형별 모수 추정결과 ᄌ

ᅡ

ᆷ정 모형이 AIC 통계량 값을가장 작게 하는모형으로 선택되었다. 또한 추정결과 상수항은유의하지 ᄋ

ᅡ

ᆭ으나 그 외 모수는유의수준 5%에서 모두 유의한 것으로 나타났다.

Table 3.1 Parameter estimations of the ARIMA model

Parameter Chinese Japanese

Estimation S. E. p-value Estimation S. E. p-value

ϕ 0.5082 0.1663 0.0027 0.6298 0.2962 0.0352

θ 0.7826 0.1225 <.0001 0.7475 0.2549 0.0039

Θ 0.8611 0.0497 <.0001 0.7659 0.0623 <.0001

ˆ

σ

=0.0236, AIC=-132.14 σ ˆ

=4.649*10

, AIC=3399.45

ᄋ

ᅵ어서 추정된모형이 예측을위해 사용가능한 모형인지에 대한 모형진단 결과 잔차 계열이 백색잡음 ᄀ

ᅪ정을만족시키는 것으로 나타났다. 따라서 추정된모형이 적절하다고 판단되므로, 다음의 모형을 예 ᄎ

ᅳ

ᆨ에 적용하였다.

ᄌ

ᅮᆼ국인관광객 : ▽ ▽12ln yt= ϕ ▽ ▽12ln yt−2+ at− θat−2− Θat−12, 이

ᆯ본인관광객 : ▽ ▽12yt= ϕ ▽ ▽12yt−1+ at− θat−1− Θat−12, ᄋ

ᅧ기서 ▽는 1차 차분을, ▽12는계절차분을의미한다.

3.4. 개입모형 분석 과

ᆫ광객 자료의 시계열그림을 보면, 2015년 5월에 발생한 사태 기간인 9월까지의 자료들과 2017년 2월 사드배치를 위한 부지 확보시점부터 금년 6월까지의 자료들이 다른 시간대의 자료들에 비해 매우 ᄌ

ᅡ

ᆨ은값을갖는것을알 수 있다. 이를구체적으로 살펴보면, 메르스 발생 시점에서 1개월 지난 시점부 ᄐ

ᅥ 중국 및 일본인관광객이 큰 폭으로 감소하였다가 몇 달 후 다시 회복됨을알 수 있다. 또한 사드배 ᄎ

ᅵ 부지확보시점 한 달 뒤인 3월에 중국정부의 한국관광 전면금지 조치로관광객이 급격히 줄어들었다 ᄀ

ᅡ 약간 증가상태에서 현재에 이르고 있다. 이는개입효과가 있다는것을의미하므로 이들시점을개입 ᄇ

ᅧᆫ수 적용시기로 설정하여 분석하기로 한다.

ᄀ

ᅢ입분석 역시 ARIMA모형 분석에서와 같이 관광객 자료에 대해 비정상 여부를 먼저 확인하여 비 저

ᆼ상성이 존재하면 이를 제거해야 한다. 이 여부를 확인한 결과 평균수준이 변하고 일정한 주기를 갖 느

ᆫ계절요인이 존재하여 1차 차분 및 계절차분을 실시하였다. 또한 개입효과와 무관한 메르스 발생이 ᄌ

ᅥᆫ 2015년 4월까지의 자료를 이용하여 ARIMA모형을 식별하였다. 분석결과 중국 관광객의 모형은 ARIMA (1, 1, 1)(0, 1, 1)12 모형, 그리고 일본 관광객은 ARIMA (0, 1, 0)(0, 1, 1)12모형이 잠 저

ᆼ모형으로 식별되었다. 따라서 개입이 있는계절 ARIMA모형은다음과 같다.

주

ᆼ국인관광객 : ln yt= ^w10_1−δ^−w11B

1B Pt1+^w20_1−δ^−w21B

2B Pt2+(1−θB)(1−ΘB¹²) (1−ϕB)▽▽₁₂ at

이

ᆯ본인관광객 : yt= ^w10_1−δ^−w11B

1B Pt1+^(1−ΘB_▽▽¹²⁾

12 at. ᄃ

ᅡᆫ,

P_t1^{(T )}=







1, t1 = 2015년 5월 0, 그 외,

P_t2^{(T )}=







1, t2 = 2017년 2월 0, 그 외.

Table 3.2의 추정된모수를 통해 두 시점에서의 개입이 중국인관광객 수에 미치는영향을살펴보면, ᄆ

ᅦ르스 발병과 사드배치 부지확보 시점에 따른 개입의 효과가 모두 1시차 후에 나타난 것을 알 수 있 ᄃ

ᅡ. 또한 어느 정도 시간이 경과하면 이 효과가 거의 반영되지 않을 것이라 생각할 수 있다. 이를 구 ᄎ

ᅦ적으로 살펴보면, 2015년 5월 발생한 메르스 사태로 인한 위기는 초기 충격을 의미하는 w10의 값이 -0.7512로 음수이고 영구지속유무를나타내는 δ1값이 0.4336으로 처음에는관광객 수 하락에큰영향을 ᄆ

ᅵ쳤으나 시간이 경과함에 따라 안정을되찾아 차츰 회복되어가고 있음을 알 수 있다. 그런데 2017년 2월 사드배치 지역 발표를기점으로 한 개입요인 역시 초기충격인 w20의 값이 -0.6222로 음수이고 영구 ᄌ

ᅵ속유무를나타내는 δ2값이 0.9725로 1에 가까운값으로관광객 수를하락시키는큰요인으로 나타났 ᄌ

ᅵ만 그 충격반응은아주 서서히 감소하는형태라 할 수 있다.

ᄒ

ᅡᆫ편 일본관광객은사드 배치와는전혀관계는없으나 2015년 5월에 발생한 메르스 사태에는영향을 ᄇ

ᅡ

ᆮ은것으로 나타났다. w10의 값이 -80931.9인 음수이고 영구지속유무를나타내는 δ1값이 0.7623인 양 ᄉ

ᅮ로관광객 수를하락시키는요인으로 나타났지만 그 충격반응은시간이 경과함에 따라 점점 줄어들어 ᄉ

ᅩ멸되어 가는형태임을알 수 있다.

ᄄ

ᅡ라서관광객 시계열자료는개입의 효과가 반영된모형이 통계적으로 유의한 것으로 나타났으며, 개 이

ᆸ모형에 의한 중국인 및 일본인관광객 모수추정 결과는 Table 3.2와 같다. 한편 추정된모수들은유의 ᄉ

ᅮ준 5%에서 모두 유의하며 잔차에 대한 검정 결과 역시 시차 30까지의 p-값이 각각 0.6749, 0.9119로 ᄌ

ᅡᆫ차에 더 이상 정보가 남아있지 않아 모형이 적절하다는것을알 수 있다.

Table 3.2 Parameter estimations of the intervention model

Parameter Chinese Japanese

Estimation S. E. p-value Estimation S. E. p-value

ϕ 0.6755 0.1147 <.0001

θ 0.9059 0.0704 <.0001

Θ 0.4920 0.0725 <.0001 0.7517 0.0667 <.0001

w

-0.7512 0.0916 <.0001 -80931.9 18624.8 <.0001

w

0.8280 0.0954 <.0001 42921.9 19812.5 0.0319

δ

0.4336 0.0832 <.0001 0.7623 0.1541 <.0001

w

-0.6222 0.0968 <.0001 w

0.5382 0.0977 <.0001

δ

0.9725 0.0189 <.0001

ˆ

σ

=0.0118, AIC=-227.28 σ ˆ

=4.114*10

, AIC=3336.87

3.5. 예측모형의 선정 ᄋ

ᅨ측모형의 정확성은 실제값에서 예측값의 차이, 즉예측오차에 의해 결정되므로 예측오차의 크기의 저

ᆼ확성을기준으로 각 모형의 상대적 우수성을평가하여 최적 모형을선정하였다. 예측모형의 정확도를 펴

ᆼ가하는기준은많이 있지만, 본연구에서는평균제곱오차 (MSE), 평균절대오차비율 (MAPE)과 테일 ᄋ

ᅴ 불일치 계수 U (Gaynor와 Kirkpatrick, 1994) 평가척도를이용하여 예측의 정확도를평가하였다.

- 평균절대오차비율 : MAPE= ¹⁰⁰_n Pn t=1

y_t−ˆy_t y_t

  , -테일의 불일치 계수 : U =

√

√ MSE 1 n

P_n t=1y²_t+√

1 n

P_n t=1yˆ²_t. ᄋ

ᅧ기서 yⁱ와 ˆyt는 원시계열과 그에 대한 예측값이며, n은자료의 개수이다. 테일의 U통계량 값은 0에 ᄀ

ᅳᆫ접할수록 좋은모형이라 판정하며 1에 가까울수록예측력이 떨어지는모형이라 판정한다.

ᄋ

ᅨ측모형의 정확성을 비교하기 위하여 메르스 발생 시점, 즉 개입시점이후 2015년 5월부터 2018년 6월까지의 실제값과 예측값과의 차이를이용하였다. Table 3.3은예측모형의 정확도를평가하는 통계량 ᄋ

ᅳ로 이 값이 작으면 작을수록예측력이 우수한 모형이라 판단한다. 예측모형별 분석결과에 따르면, 개 이

ᆸ효과가 반영된모형의 평가 통계량이 나머지 두 모형에 비해 작은값을갖는것으로 나타났다. 이는 ᄋ

ᅱ

ᆫ터스의 지수평활모형이나 계절 ARIMA모형에 비해 개입모형의 예측력이 보다 우수하다는것을보여 ᄌ

ᅮ는것이다. 다음이 계절 ARIMA모형이고 윈터스의 지수평활모형이 가장 낮은예측력을갖는것으로 ᄂ

ᅡ타났다.

Table 3.3 Efficiency comparison of models

NationalHity Model MSE MAPE Theil’s U

Chinese Winter’s Exponential 11,051,981,781.60 18.5720 0.10285 Smoothing

ARIMA 10,515,953,537.89 17.4065 0.09792 Intervention 2,368,483,578.61 8.7668 0.04648 Japanese Winter’s Exponential 1,053,998,652.25 15.2424 0.08717

Smoothing

ARIMA 600,962,364.63 11.1828 0.06494

Intervention 379,183,028.42 7.0316 0.05133

Table 3.4는 2018년 1월부터 12월까지 중국 및 일본관광객의 모형별 실제값과 예측값을나타낸 것이 ᄀ

ᅩ, Figure 3.3은 2017년 1월부터 2018년 12월까지는 실제값과 예측값을 동시에 나타낸 시계열도이다.

ᄀ

ᅳ림에서 알 수 있듯이 개입모형에 의한 예측치가 원시계열에 가장근사함을알 수 있다.

Table 3.4 Forecasts of models for Chinese and Japanese tourists

month Chinese Japanese

Actual Exponential ARIMA Intervention Actual Exponential ARIMA Intervention

smoothing model model smoothing model model

1 305,127 343,889 336,347 329,358 167,083 180,259 158,657 158,451 2 345,341 345,027 369,978 337,797 168,241 207,031 184,487 185,875 3 403,413 291,228 336,953 383,694 294,476 211,317 240,675 239,756 4 366,604 401,956 434,130 434,434 213,853 222,948 217,079 221,589 5 370,222 340,953 353,168 402,600 227,230 217,629 218,136 221,173 6 379,891 359,620 375,082 388,481 235,293 205,793 208,392 222,524

7 401,590 438,230 463,379 210,973 231,554 239,620

8 467,691 540,797 530,407 253,051 276,474 284,485

9 414,410 462,869 478,016 299,339 266,684 273,750

10 419,967 471,984 491,885 260,331 262,684 268,260

11 394,497 373,510 406,281 262,215 258,251 263,679

12 387,704 366,334 428,138 244,778 241,874 246,653

ᄒ

ᅡᆫ편 2018년 7월부터 6개월간관광객 수의 예측값이 전년도 7월부터 12월까지의 실제값에 비해 전반 ᄌ

ᅥᆨ으로 증가한 경향을 나타내고 있다. 관광 성수기인 7,8월은 분석 모형 모두에서 증가하였지만 9월부 ᄐ

ᅥᆫ 증가와 감소를반복하는형태를보이고 있는것을알 수 있다.

ᄋ

ᅵ와 같이 외부충격요인이나 정책 등의 변화로 그 충격시점에서 시계열이 큰 폭으로 급격히 증가하 ᄀ

ᅥ나 감소하는변동현상을보일 때, 개입효과가 반영된개입분석모형이 윈터스의 계절지수평활모형이나 ᄀ

ᅨ절 ARIMA모형에 비해 예측의 정확성에서 우월하다는것이 판명되었다.

(a) Chinese tourists (b) Japanese tourists

Figure 3.3 Time plot of forecasts by models

4. 결론 보

ᆫ 논문에서는외부의 갑작스런 충격요인이나 정책의 변화로 시계열이큰 폭으로 증가하거나 감소하 느

ᆫ변동현상을보일 때, 이러한 현상을잘 반영하는 시계열 예측모형을찾는것이다. 분석에는 2005년 1월부터 2018년 6월까지의 지난 13년 6개월 (162개월) 동안의 우리나라에 방한한 중국과 일본인관광 개

ᆨ 수의 자료를 활용하였다. 월별관광객 수는 하절기인 6월부터 9월까지가 성수기이고 그 외 계절은 ᄇ

ᅵ수기인 계절성의 형태를보이고 있다. 또한 2005년 5월에 발생한 메르스 사태로 중국 및 일본관광객 ᄋ

ᅳᆯ비롯하여 모든 외국 관광객의 수가큰 폭으로 감소하였으나 몇 개월 지나 즉시 회복되었다. 그러나 2017년 2월 국방부의 사드배치 부지체결로 인하여 중국정부의 한국관광 금지조치로관광객 수가큰 폭 ᄋ

ᅳ로 감소하였으며, 이로 인한 영향이 지금까지 지속되고 있다.

ᄋ

ᅵ러한 특성을고려하여 계절요인을 반영한 모형으로 윈터스의 계절지수평활모형과 계절 ARIMA모 혀

ᆼ 그리고 2015년 3월에 발생한 메르스와 2017년 2월의 사드배치 계약체결이란 개입효과를고려한 개 이

ᆸ모형을적용하였다. 더불어 방한한 중국 및 일본인관광객의 수요예측모형을설정하고, 각 모형별 예 ᄎ

ᅳ

ᆨ오차 비교분석을 통해 가장 우수한 예측모형을 식별하였다. 따라서 정책의 변화나 외부충격요인을갖 느

ᆫ시계열 자료 및 연구목적에 가장 적합한 시계열모형 실증분석결과, 계절성과 개입효과를 동시에 고려 ᄒ

ᅡᆫ 개입모형이 예측의 정확성 측면에서 다른모형에 비해 가장 우월하다는것이 최종적으로확인되었다.

ᄋ

ᅵ와 같이 시계열 자료에 개입효과에 대한 정보가 추가적으로 주어진다면 일반적인 윈터스 계절지수평 화

ᆯ모형이나 계절 ARIMA모형을 적용하기보다는개입모형을적용하여 분석하는것이 바람직하며 예측 ᄋ

ᅴ 정확도를 높일 수 있다고 판단된다. 이는향후 유사한 개입효과 발생 시 방한관광객 수에 대한 사전 ᄋ

ᅨ측을 통하여 우리나라 관광정책 및 산업전반에 대한 보다 정확한 대안을 제시할 수 있으리라 기대된 ᄃ

ᅡ.

References

Abraham, B. and Ledolter, J. (1983). Statistical methods for forecasting, Wiley, New York.

Box, G. E. P., Jenkins, G. M. and Reinsel, G. C. (1994). Time series analysis forecasting and control , 3rd ed., Prentice-Hall, New Jersey.

Box, G. E. P., and Tiao, J. C. (1975). Intervention analysis with applications to economic and environmental problems. Journal of the American Statistical Association, 70, 70-79.

Chu, F. L. (1998). Forecasting tourism demand in Asian-Pacific countries. Annals of Tourism Research, 25, 209-218.

Gaynor, P. E. and Kirkpatrick, R. C. (1994). Introduction to time-series modeling and forecasting in business and economics, McGraw-Hill, New York.

Im, E. S. (1990). A study on the demand forecasting model of American, Japanese and Taiwanese visitors to South Korea. Korea Journal of Tourism Research, 14, 141-156.

Lim, C. (1997). Review of international tourism demand models. Annals of Tourism Research, 24, 835-849.

Park, D. H., Lee, G. H. and Lee, M. J. (2015). Comparison of demand forecasting models for Korean inbound Chinese tourists. International Journal of Tourism and Hospitality Research, 29, 29-40.

Son, J. S., Kim, K. Y. and Kim, Y. S. (2003). A study on the forecasting model of real estate market: The case of Korea. Housing Studies Review , 11, 49-75.

Song, J. M. (2016). A study on demand forecasting for Jeju-bound tourists by travel purpose using seasonal ARIMA-intervention model. Journal of the Korean Data & Information Science Society, 27, 1573- 1583.

Song, K. S. and Lee, C. K. (2006). A comparison of accuracy among tourism forecasting models. Korea Journal of Tourism Research, 20, 351-369.

Tuner, L., Kulendrab, N. and Fernando, H. (1997). Univariate modelling using periodic and non-periodic

analysis: Inbound tourism to Japan, Australia and New Zealand compared. Tourism Economics, 3,

39-56.

Wei, W. W. S. (1990). Time series analysis, Addison-Wesley, Redwood City, California.

Witt, S. F. and Witt, C. A. (1992). Modeling and forecasting demand in tourism, Academic Press, San

Diego.

2018, 29

6)

1629–1641

A comparative study on the accuracy of tourism forecasting models ^†

Seong Sik Lim

¹

1College of Humanity and General Education, SeoKyeong University

Received 13 September 2018, revised 31 October 2018, accepted 4 November 2018

Abstract

This paper presents winters’ seasonal exponential smoothing model, seasonal ARIMA model and intervention analysis model as a demand forecasting model for tourists visiting Korea. The tourists is affected by external shock factors such as the tourism policies of the country or the domestic and international economic conditions.

The purpose of this study is to find out the factors affecting the forecasting model and to find a time series model to predict the number of foreign tourists who visited Korea more efficiently. As a result of comparing the accuracy of forecasting models through empirical analysis, it was founded that the intervention analysis model reflecting the intervention effect was superior to the seasonal exponential smoothing model or the seasonal ARIMA model.

Keywords: Intervention model, seasonal ARIMA model, winters’ seasonal exponential smoothing model.

†

This Research was supported by Seokyeong University in 2018.

1

Professor, College of Humanity and General Education, SeoKyeong University, Seoul 02713, Korea.

E-mail: [email protected]