Einsatz eines Forecasting-Verfahrens in der Tourismusstatistik

1. Ausgangslage
2. Methodik
3. Ergebnisse

Ausgangslage

Die Veröffentlichung erhebungsbasierter amtlicher Statistiken erfordert immer einen gewissen zeitlichen Vorlauf. Die Zeit für die Datenerfassung, Validierung und Korrektur der gesammelten Daten zu reduzieren, ist dabei oft eine Herausforderung. Frühzeitige Prognosen helfen den Nutzerinnen und Nutzern bei der Einschätzung der aktuellen Situation. Dies gibt den Stakeholderinnen und Stakeholdern ein frühzeitiges Signal über die Marktbewegung. Daher setzt das Hessische Statistische Landesamt (HSL) im Rahmen der sogenannten experimentellen Statistik ein Forecasting-Verfahren ein. Dieses Verfahren ermöglicht eine deutlich schnellere Veröffentlichung der zeitsensiblen Ergebnisse der Tourismusstatistik. Seit August 2022 wird dieses Verfahren eingesetzt. Veröffentlicht werden zwei wesentliche Kennzahlen, die Zahl der Ankünfte und die Zahl der Übernachtungen in den hessischen Beherbergungsbetrieben. Die Prognosedaten werden auf Kreisebene generiert.

Methodik

Unsere Methodik generiert Prognosewerte für die beiden Kennzahlen Gästeankünfte und Gästeübernachtungen auf Kreis- und Gesamtebene. Nach ausgiebigen Tests und Prüfung mehrerer Modellkombinationen über mehrere Monate wurden zwei Prognosemethoden, nämlich ARIMA und ETS¹⁾, ausgewählt, um die Prognosewerte zu berechnen.

Ergebnisse

Die obige Abbildung zeigt einen Vergleich zwischen tatsächlichen und prognostizierten Gesamtankünften und Gesamtübernachtungen. Wie in der Abbildung zu sehen, folgen die prognostizierten Ankünfte und Übernachtungen den tatsächlichen Zahlen. Die Genauigkeit wird durch Berechnung der absoluten prozentualen Abweichung von den tatsächlichen Werten gemessen. In den letzten 6 Monaten liegt diese Abweichung für die Gästeankünfte zwischen 1,32 Prozent und 21,53 Prozent und für die Gästeübernachtungen zwischen 0,52 Prozent und 10,95 Prozent. 

Fußnote

1) ARIMA und ETS stehen für Autoregressive Integrated Moving Average bzw. Error, Trend und Seasonality. In ARIMA werden Prognosen mit vorherigen Werten, Unterschiede mit den vorherigen Werten und den Fehlern erstellt, die zukünftige Werte vorhersagen. Bei ETS-Modellen werden Prognosen mit Fehlern, Trend und Saisonalität in der Zeitreihe erstellt.