Österreichweite Nächtigungsprognose

Grundlage des Prognosemodells bildet die offizielle Nächtigungsstatistik der Statistik Austria, die Nächtigungen aller Herkunftsländer in Hotels und Ferienwohnungen sämtlicher Kategorien seit November 1999 für alle 100 Tourismusregionen in Österreich umfasst.

Neben den Nächtigungsdaten wurden weitere Einflussfaktoren der touristischen Nachfrage in das Modell integriert. Hierfür kamen insbesondere kalendarische Informationen zum Einsatz, die Wochenenden sowie Ferien und Feiertage in Österreich und den wichtigsten Herkunftsmärkten abbilden. Zusätzlich wurden auch Events mit touristischer Relevanz durch Online-Recherchen identifiziert und in der Prognose für die jeweiligen Regionen berücksichtigt.

Zur Modellierung des täglichen Nächtigungsverhaltens wurden zusätzlich Mobilfunkdaten der Anbieter Drei und A1 herangezogen, die nach Tag und Region verfügbar sind. Diese Daten liefern wertvolle Einblicke in die zeitliche Dynamik touristischer Aufenthalte und ermöglichen es, Effekte zentraler struktureller Einflussgrößen – wie Ferien, Feiertage und Wochenenden – in allen Regionen zu schätzen, sowie Monatsprognosen auf Tagesebene zu disaggregieren.

Für die Erstellung der Prognosen wird ein zweistufiges Verfahren angewendet.

Im ersten Schritt erfolgt die Monatsprognose mithilfe eines Random-Forest-Modells, das sich nach einer systematischen Evaluation (Grid Search und Qualitätsvergleich auf Basis historischer Daten) als leistungsfähigster Ansatz erwiesen hat. Die Übereinstimmung zwischen prognostizierten und offiziell gemeldeten Nächtigungszahlen liegt derzeit bei durchschnittlich über 95 Prozent. Als Input-Variablen für das Modell werden historische Nächtigungswerte und saisonale Muster, Kalenderinformationen sowie regionale Events herangezogen.

Im zweiten Schritt wird die prognostizierte Monatszahl auf Tageswerte disaggregiert. Dabei wird die enge Korrelation zwischen täglichen Nächtigungen und Mobilfunkdaten genutzt. Auf dieser Basis werden Effekte von Wochenenden, Ferien, Feiertagen, Monatslage und regionalen Events spezifisch für jede Tourismusregion modelliert. So erhält jede Region im Prinzip ein eigenes Prognosemodell. Beispiel: eine Region hat einen hohen Anteil bayerischer Gäste und somit haben die Ferienzeiten in Bayern eine größere Bedeutung für die Nächtigungsprognose als andere Einflussfaktoren.