SARIMA와 딥러닝을 활용한 포스트 코로나 시대의 관광수요 예측

Forecasting International Tourist Visits in South Korea using SARIMA and RNN Models

많은 연구자들이 코로나-19 이 후의 관광수요를 예측하기 위해 다양한 연구를 진행하였지만, 딥러닝을 활용한 관광수요 예측은 문헌에서 부족한 실정이다. 본 연구는 고급 시계열 모형인 SARIMA 모형과 딥러닝 중 순환신경망(RNN) 모델을 활용하여 코로나 회복 시기의 대한민국의 관광수요를 예측한다. 본 연구는 두 가지 주요한 목적을 가진다. 첫째, SARIMA 모형과 순환신경망(RNN) 모형으로 코로나 시기의 관광수요를 예측해 보고, 두 모형을 비교한다. 둘째, 각각의 모형을 활용하여 코로나 기간의 관광산업 피해액을 추정하고, 회복 시기의 관광수요에 대한 시사점을 논의한다. SARIMA 모형의 경우, 코로나 시기의 입국자 인원수 감소를 51,483,170명으로 예측하였고, 이에 따른 피해액을 3년간 약 179조로 추정하였다. 반면, RNN 모형의 경우, 입국자 인원수 감소를 48,248,685명으로 예측하였고, 피해액을 3년간 약 167조로 추정하였다. SARIMA 모형의 경우 장기적으로 1,634,863명까지, RNN 모형의 경우 장기적으로 1,569,198명까지 대한민국 관광수요가 회복될 것으로 전망하고 있다. 본 연구는 빅데이터를 활용하여 딥러닝 기반의 수요 예측 모형을 구축하고 관광수요를 예측하였다는 데에 그 의의가 있다. 또한, 수요 예측 결과를 기반으로 관광학과 경영학 분야에서의 시사점을 논의하고자 한다.

Many researchers have conducted various studies to predict tourism demand after COVID-19, but the number of studies using deep learning is insufficient in the literature. This study uses the SARIMA model, an advanced time series model, and the Recurrent Neural Network (RNN) model, one of deep learning techniques to predict tourism demand in South Korea during the COVID-19 recovery period. This study has two main purposes. First, we predict tourism demand during the COVID-19 recovery period with the SARIMA model and the RNN model, and compare the two models. Second, we would like to estimate the amount of damage in the tourism industry of South Korea during the COVID-19 period and discuss implications for tourism demand during the recovery period. In the case of the SARIMA model, the decrease in the number of inbound visits during the COVID-19 period was predicted to be 51,483,170, and the damage was estimated to be about 179 trillion over three years. On the other hand, in the case of the RNN model, the decrease in the number of inbound visits was predicted to be 48,248,685, and the damage was estimated to be about 167 trillion over three years. In the case of the SARIMA model, the demand for tourism in Korea is expected to recover to 1,634,863 in the long run and in the case of the RNN model, 1,569,198 in the long run. This research utilizes the deep learning algorithms using big data analyses and we believe our research makes significant methodological contributions to the tourism/marketing literature.