شناسايي و پيش بيني بازار گردشگران سالمند بر مبناي ارزش هاي مورد انتظار

Identifying and predicting the market for the "elderly" tourism with an approach to the expected values

شناسايي بخش‌‌ها‌‌‌‌ي بازار گردشگري به توسعه­ ي بهتر بسته‌هاي سفر و راهبردها‌‌ي كارآمدتر كمك مي‌كند. با شناسا‌يي ارزشهاي مورد انتظار ناشي از الگوهاي رفتاري و مقايسه آن با علايق رفتاري سفر افراد سالمند دركنار ويژگي‌هاي فردي مي‌توان بازار گردشگران سالمند را بخش‌‌‌بندي و پيش بيني كرد. اين مطالعه از نظر هدف كاربردي و به لحاظ شيوه گردآوري اطلاعات، توصيفي- پيمايشي است. براي شناسايي ارزشهاي مورد انتظار از رويكرد كيفي و روش دلفي و براي پيش­بيني گروه‌ها‌ي بازار از رويكرد كمي با استفاده از شبكه‌هاي عصبي بهره مي‌برد.اين پژوهش بين 380 نفر ازگردشگران سالمندان اصفهاني و تهراني به روش نمونه گيري غير تصادفي و در دسترس انجام شده است. نتايج نشان مي‌دهد ارزشها ناشي از ويژگي‌هاي فردي و شخصيتي، انگيزه‌هاي سفر، تجربه سفر، سبك سفر و لذت سفر است. بازار گردشگران سالمند بر اساس ارزش­ هاي مورد انتظار، با تكنيك شبكه عصبي در سه گروه محافظه كار،‌ مرفه و جوان شناسايي و پيش بيني شدند.

The identification of tourism market segments helps to better develop travel packages and more efficient strategies. By identifying the expected values derived from the behavioral patterns and comparing them with the behavioral interests of the travel of elderly people, along with individual characteristics, the market for elderly tourists can be segmented and predicted. In terms of the purposes, this is an applied research and in terms of the data collection method, this is descriptive-survey. The qualitative approach and the Delphi method has been used to identify the expected values and, to predict market groups, a quantitative approach using neural networks has been used. This research has been conducted among 380 Esfahani and Tehrani elderly tourists using non-random and available sampling method. The results show that values are due to individual and personality traits, travel motives, travel experiences, travel style, and travel pleasure. The market for elderly tourists was identified and predicted based on the expected values, with the neural network technique in three conservative, prosperous and younger groups.