Constantino, HortêncioFernandes, Paula OdeteTeixeira, João Paulo2026-03-182026-03-182017CONSTANTINO, Hortêncio ; FERNANDES, Paula Odete ; TEIXEIRA, João Paulo (2017) - Estudo comparativo entre os modelos de redes neuronais artificiais e regressão linear múltipla na modelação e previsão da procura turística em Moçambique. GESTIN. ISSN 1645-2534. Ano 14, nº 14/15, p. 95-117.1645-2534http://hdl.handle.net/10400.11/10707O 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.ABSTRACT: The main objective of this work is based on a comparative study of Artificial Neural Networks (ANN) and Multiple Linear Regression models to modelling and forecast the tourism demand in Mozambique. It was used, for that purpose, the number of registered monthly overnight stays in hotels within the period from January 2004 to December 2013, as the dependent variable. Aiming to reach that objective, the explanatory variables were selected: Harmonized Index of Consumer Prices, Gross Domestic Product and Exchange Rates for the main markets: South Africa, United States of America, Mozambique, Portugal and the United Kingdom. The ANN model has a feedforward architecture with one hidden layer. Several experiments were conducted with the combination of the input variables, different number of nodes in the hidden layer and different activation functions. Also several experiments with different forms of presenting the dependent variable (output), namely the natural form (its absolute value), the exponential form and the form of logarithmic differences. From several experiments the best solutions are presented here. With better results the following input variables are highlight: harmonized index prices of Mozambique, the exchange rates of the euro, rand and dollar to the local metical. Some cases, the gross domestic product of USA and Portugal, added to the previous variables improve the prediction ability. From the results it was observed that the artificial neural networks model produced better results, ie presented a quite satisfactory statistical quality adjustment. Thus, it allowed make forecasts for tourism demand in Mozambique, with a Pearson correlation coefficient of 0,696 and a mean absolute percentage error of 6.5%, in a test set never seen during the adjustment/training process of the model.porModelaçãoPrevisãoProcura turísticaMoçambiqueRegressão linear múltiplaRedes neuronais artificiaisModellingForecastingTourism demandMozambiqueMultipli linear regressionArtificial neural networksjournal article