Show Less

Einreisetourismus in Deutschland

Paneldatenanalysen und SARIMA-Prognosen

Series:

Verena Dexheimer

Der Einreisetourismus bildet für Deutschland seit Mitte der 1990er Jahre einen langfristig stabilen Wachstumsmarkt. Dennoch existieren hierfür nur wenige meist deskriptive Analysen. Um diese Lücke zu schließen, betrachtet diese Arbeit im Rahmen einer statistisch-ökonometrischen Untersuchung den Einreisetourismus gesondert für das Einreiseland Deutschland. Zunächst werden Einflussgrößen der ausländischen Tourismusnachfrage herausgearbeitet und mit statischen und dynamischen Paneldatenmodellen quantifiziert, aus denen sich langfristige Wirkungszusammenhänge ableiten lassen. Im weiteren Verlauf werden Prognosemodelle auf Basis saisonaler Zeitreihenansätze nach Box-Jenkins bestimmt. Diese bilden die vergangene Entwicklung möglichst präzise nach, um kurzfristige Vorhersagen zu ermöglichen.

Prices

Show Summary Details
Restricted access

4 ZEITREIHENANALYTISCHE PROGNOSEN 95

Extract

95 4 ZEITREIHENANALYTISCHE PROGNOSEN Nachdem in Kapitel 3 die Einflussgrößen des deutschen Einreisetourismus her- ausgearbeitet wurden, werden in diesem Abschnitt zeitreihenanalytische Prog- nosemodelle dargestellt, die saisonale Schwankungen der touristischen Nachfra- ge berücksichtigen können. Da gemäß Kapitel 2.6 saisonale Konsumänderungen im Tourismus eine große Rolle spielen, sollten sie im Rahmen von kurzfristigen Prognosemodellen abgebildet werden können, um die zeitliche Verteilung von Kapazitäten zu optimieren. Zeitreihenansätze, die saisonale Einflüsse als Stör- faktoren ansehen und mit Saisonbereinigungsverfahren aus den Zeitreihen elimi- nieren, um nur die langfristige Trendentwicklung zu berücksichtigen, sind für die Tourismusanalyse daher nicht sinnvoll.172 Für die Prognosen des Einreise- tourismus in Deutschland werden deshalb univariate Zeitreihenmodelle nach dem Ansatz von Box und Jenkins erstellt.173 Diese Methoden verzichten auf er- klärende Größen und betrachten lediglich die vorherzusagende Variable über die Zeit hinweg. In einem Identifikationsprozess wird die Beziehung dieser Variab- len zu ihren vergangenen Werten und Restwerten bestimmt und daraus zukünf- tige Zeitreihenwerte abgeleitet. Den Einfluss von Änderungen in erklärenden Größen auf die betrachtete abhängige Variable können diese Ansätze somit zwar nicht abbilden, Analysen zeigen aber, dass sie in vielen Fällen geeignete kurz- fristige Vorhersagen ermöglichen.174 Außerdem lassen sich im Bereich saisona- ler Daten damit unterjährige Schwankungen gut durch die Kombination von saisonalen und nichtsaisonalen Komponenten in einer Modellgleichung abbil- den. Je nach Art des zugrunde gelegten Prozesses können Zeitreihen abgebildet werden, deren saisonales Muster über...

You are not authenticated to view the full text of this chapter or article.

This site requires a subscription or purchase to access the full text of books or journals.

Do you have any questions? Contact us.

Or login to access all content.