旅游需求预测方法与模型评述_.docx

《旅游需求预测方法与模型评述_.docx》由会员分享，可在线阅读，更多相关《旅游需求预测方法与模型评述_.docx（12页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、旅游需求预测方法与模型评述_旅游需求预测方法与模型评述旅游需求预测方法与模型评述2020年9月甘肃省经济管理干部学院学报September2020第21卷第3期JournalofGansuEconomicManagementInstituteVol121No13旅游需求预测方法与模型评述3殷书炉,杨立勋(西北师范大学经济管理学院,甘肃兰州730070)摘要:对旅游需求预测研究始于上世纪60年代,绝大多数研究成果出现于80年代以后,然而对此类研究进行整理和述评的论文较少。因而,文章系统阐述了各种方法与模型在旅游需求预测中的应用,并对其预测效果做了简单评价,同时指出了将来的研究重点和发展趋势。关键

2、词:旅游需求;预测模型;发展趋势中图分类号:F224.9;F59文献标识码:A文章编号:100924830(2020)0320042204一、引言随着经济全球化和国际沟通的不断深化,国际旅游业得到了长足的发展。旅游业对于平衡国际收支,改善贸易构造具有不可替代的作用,同时又是扩大对外开放、促进对外沟通的重要手段。因而在过去20年里旅游研究也得到了史无前例的发展,而旅游需求模型与预测更是研究的重点。本文在综合介绍旅游需求预测中各种模型运用的基础之上,对这些模型的优缺点做出相应的评价,同时分析了今后旅游预测的研究重点和发展趋势。二、旅游需求预测中模型的应用(一)计量模型经济预测方法常用的有两类,一类

3、是解释性预测方法,即找出预测变量的相关影响因素,建立回归模型,进行分析和预测。另一类是时间序列分析方法,它只依靠于预测变量的历史观测数据和其背后的规律,通过相应的数学模型拟合出变化趋势,进而进行预测。Kulendranetal.(2000)1研究发现误差修正模型ECM(ErrorCorrectionModel)优于天真1(Naive1)和季节性自回归移动平均法(SARIMA)。Lietal.(2006)2将误差修正模型ECM和TVP(TimeVaryingParameter)两者的优点相结合而提出TVP-ECM,并验证了比其他单一的分析方法有更好的预测效果。线性回归L(Linear)和滞后线性

4、模型LL(LagLinear)在很多旅游预测中都有应用,但预测效果都不甚理想。近乎理想需求方法AIDS(AlmostIdealDemandSystem)有很好的经济学理论基础,它十分合适于旅游需求的弹性分析。Li,Song,Witt(2006)3将TVP分别和ECM-LAIDS与长期线性近乎理想需求方法LR-LAIDS组成TVP-ECM-LAIDS,TVP-LR-LAIDS,并且证实这种组合模型的预测能力更好。联立方程组主要强调的是各单个方程之间的内在联络,在社会管理方面应用较多,比方对GDP、电力需求的预测。Turner,Witt(2001)4运用联立方程组讨论了假日游、商务游和省亲游的内在

5、关联,并对旅游需求做了分析与预测。(二)时间序列模型由于旅游业存在着明显的季节性,因此季节这个显著特征变量成了重要的考察因素。融合季节性的自回归移动平均法(SARIMA)也就得到了广泛研究和运用。Goh,Law(2002)5在对香港的旅游预测中,选用了多种时间序列模型,分别是天真法Na2ive、移动平均法MA、指数平滑法ES、自回归移动平243收稿日期:2020-04-01作者简介:殷书炉(1982-),男,安徽太湖人,西北师范大学经济管理学院研究生,研究方向:数量经济学;杨立勋(1965-),男,甘肃武山人,西北师范大学教授,研究方向:宏观经济统计分析及国民经济核算。旅游需求预测方法与模型评

6、述旅游需求预测方法与模型评述均法(ARIMA)、季节性自回归移动平均法(SARI2MA)、带干扰分析的自回归移动平均法。通过对预测的准确性比拟分析发现,SARIMA方法预测效果最好。然而Smeraletal.(2005)6通过实证研究发现天真法1反而优于自回归移动平均法(ARIMA)和季节性自回归移动平均法(SARIMA)。多因素自回归移动平均法(MARIMA)是相对于自回归移动平均法,它是在自回归移动平均法原有的基础上增加额外的信息以期获得更佳的预测效果。Goh,Law(2005)7研究表明融合季节性的多因素自回归移动平均法(SMARIMA)优于其他的时间序列模型;而Chu(1998)8通过

7、研究比拟发现,在天真1、天真2、指数平滑(ES)、回归模型(L)、正弦波动时间序列非线性回归、单因素自回归移动平均法(ARIMA)、多因素自回归移动平均法(MA2RIMA)几个模型中,单因素自回归移动平均法(ARIMA)预测效果最为理想。向量自回归(VAR)和广义条件异方差模型(GARCH)也在旅游需求预测上获得了广泛的应用,MargaridaDeMello(2001)用受限制的集成向量自回归模型、AIDS来分析英国旅游者的长期旅游需求行为和对目的地市场份额进行预测,发现VAR模型具有良好的预测能力。Wong(2006)9通过引进限制条件而提出贝叶斯向量自回归模型(Bayesian),发现比单

8、一的VAR模型有更好的预测精度。(三)人工智能方法人工智能方法近些年越来越多地被应用到旅游预测,最大优点是对数据的概率分布等额外信息没有严格的要求,有更好的包涵性和适应能力。1.粗糙集方法(RoughSets)。粗糙集理论是1982年波兰学者Z.Pawlak提出的,它能有效地分析不准确,不一致,不完好等各种不完备的信息。Au,Law(2002)10运用粗糙集理论分别对旅游购物、餐饮、观光支出进行了研究分析。粗糙集理论更注重的是分类机制,而非传统分析方法的准确预测,因此能够作为一种可行的辅助手段。2.遗传算法(GeneticAlgorithms)。遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进

9、化经过的计算模型,是一种通过模拟自然进化经过搜索最优解的方法。Montserrat(2005)11用结合跃迁概率矩阵的遗传算法来进行旅游需求预测,研究发现这种组合模型比单一的遗传算法有更好的预测精度。Montserrat和Burger等都以为遗传算法更合适于解释旅游需求组合的变化。3.模糊时间序列(theFuzzytime-series)。模糊时间序列是从动态的角度出发,综合分析这种模糊化的时间序列数据的构造特征,进而到达预测和分析的目的。模糊时间序列对于短期预测有很好的效果,Wang(2004)12用模糊时间序列、灰色模型和马可夫链改良模型对台湾地区的旅游做了预测,并通过误差分析发现模糊时间

10、序列合适于中国香港到台湾地区的预测,灰色模型更合适于美国和中国香港到台湾地区的入境旅游预测,而马可夫链改良模型更合适于德国到台湾地区的旅游需求估计。4.灰色理论(Greytheory)。灰色理论以为在客观世界中,大量存在的不是白色系统(信息完全明确)也不是黑色系统(信息完全不明确),而是介于两者之间的灰色系统。灰色理论中的数据处理不去寻找其统计规律和概率分布,而是对原始数据作一定处理后,使其成为有规律的时间序列数据,在此基础上建立数学模型。朱晓华,杨秀春(2004)13以中国19782001年入境客源为例,定量分析线性回归、移动平均、指数平滑以及灰色模型的应用及其差异问题。并发现线性回归模型的

11、绝对误差最大,随着序列数据的减少,指数平滑绝对误差整体相对变大,而灰色模型绝对误差整体相对变小。可见序列较短时灰色预测模型有较好的预测效果。5.人工神经网络(ANN)。人工神经网络,是一种理论化的人脑神经网络数学模型,在对人脑或自然神经网络的某些行为特征的抽象和模拟基础上,建立的一种信息处理系统。Law,Au(1999)14运用了5种不同方法对日本到中国香港的旅游进行预测(表1)。从表能够看出,神经网络模型在预测精度、标准化相关系数上显然优于其他模型。表1预测结果比拟ForecastingmodelMAPEZRNeuralnetwork10.59800.9851Naive18.29500.97

12、12Multipleregression21.77300.9330Exponentialsmoothing22.14400.9605Movingaverage(3)27.35400.9382神经网络模型以其并行处理能力、自学习、自组织、自适应能力和较好的容错性,进而适应了旅游数据信息不完好,影响因素多和非线性等众多问题,弥补了传统预测方法的缺乏。ANN没有像传统方法对变量的约束和数据的严格要求,它无需事先知道自变量和因变量之间潜在规则。但也存在着本身的缺点:首先,模型预测经过像是一个“黑盒,展示的内在经济涵义信息较少,不如解释性预测和时间序列预测丰富。其次,容易受网络本身的拓扑构造复杂性和数据

13、的复杂性影响,易出现过学习现象,进而导致低的泛化能力。34旅游需求预测方法与模型评述旅游需求预测方法与模型评述6.支持向量回归(Supportvectorregression)。支持向量机(SVM)是20世纪90年代末期Vapnik提出的一种新型机器学习方法,并在回归分析、经济预测众多领域获得了成功的运用。Kuan(2007)15用结合遗传算法的支持向量回归,人工神经网络,ARIMA对旅游进行预测。从表2中能够看出三种模型都有较好的预测精度,相关系数都非常高。而结合遗传算法的支持向量回归的预测精度最好。表2预测结果比拟ModelMAPE(%)NMSERGA-SVR2.4570.2260.999

14、598BPNN2.7180.2450.999571ARIMA3.5930.6040.999532通过众多学者的研究比拟发现支持向量回归克制了神经网络的缺陷,有更强的推广能力,更好的计算精度,预测结果的相对误差明显小于人工神经网络和其他传统方法。较好地解决了小样本、非线性、高维数、局部极小点等实际问题。除了上面的一些方法外,还有很多分析技术也应用到旅游预测中来,比方决策支持系统(DSS)、协整理论(CI)和Compertz方法等。通过他们的研究发现这些方法在旅游预测中都有良好的预测效果。三、模型应用效果及发展趋势(一)模型应用效果评价借助于模型的实证分析能对经济现象做出很好的解释和预测,而对于旅

15、游这种数据难以获取,随机性大的分析对象,就需要清楚了解各种模型的要求和适用范围,这样才能获得预期的效果。回归模型从模型的本身能够看出经济现象和影响因素之间明确的依存关系,比方奥运会、金融危机等重要事件对旅游的影响,这有利于看清经济现象后的影响机理,进而对经济现象的分析和预测有更明晰的把握。解释性预测在揭示因素对现象的内在规律具有不可比较的优势,但也存在着本身的缺陷。比方当影响因素与目的变量之间存在高度非线性时,固然能够利用非线性回归拟合,但因素较多时存在方程的选择困难、参数的估计不准确和伪回归等众多问题;还有这类模型都是静态的,无法适应动态的旅游预测需要,进而会产生不确定性,导致预测结果波动较

16、大。时间序列在旅游需求预测上应用得非常多,它对数据要求简单,强调时间特性,短期预测时,精度一般比拟高。十分是考虑了季节性因素的SARIMA表现出优秀的预测效果。缺点是没有考虑其他对旅游需求影响的各种干扰因素,进而不利于人们进行更深层次的需求分析,也不能为旅游决策者带来更多的参考和建议。人工智能尽管有其独特性(比方对数据分布的特点无十分要求)和高精度的预测能力,但也有其本身的缺陷。比方缺少相关的经济理论支撑,无法从经济理论视角很好地解释旅游需求,因此不能为政策的评估和决定提供更多的建议与帮助,这也限制了人工智能在旅游需求预测上应用的广度和深度。定性分析主要是德尔菲法(Delphi)。由于旅游涉及

17、的影响因素非常之多,在现有的模型中不可能穷尽所有的关联因素,况且有些因素是不可量化的,但是这些因素会对旅游业产生深入影响,进而也不能忽略,在这种情况下德尔菲法有更好的兼容性。Tideswell(2001)16将德尔菲法(Delphi)和统计方法结合起来进而展现出更好的预测能力。综上所述,这些学者采用了不同的研究方法来预测不同对象的旅游需求,并通过相应的误差评价标准来检验了模型的优劣。然而没有哪一种模型方法是绝对最优的,只要相对的。有些简单的预测方法也能获得理想的预测效果,因此预测技术并不是越复杂越好,考虑因素也不一定力求面面俱到,应根据实际问题选用适当的方法。(二)发展趋势分析1.模型整合。各

18、种模型由于数据类型、分析对象、适应范围不同而表现出不同的预测精度,所以没有哪一种分析方法是绝对最优的。但有些学者将不同模型整合在一起组成新的模型,通过实证研究发现其预测效果好于单个模型。比方Montserrat(2005)11将跃迁概率矩阵和遗传算法相结合,Wong(2006)9提出贝叶斯向量自回归模型(Bayes2ianVAR),Kuan(2007)15用结合遗传算法的支持向量回归来进行旅游需求预测。这些组合模型都获得了更好的预测效果,有效地降低的预测风险,但每类模型有不同的约束条件,对变量、参数、数据的要求不同,存在着模型怎样选择、怎样整合的问题。这就要求有一般性规则或指导原则,有待学者进

19、一步研究。2.变量扩展和模型适应性。影响旅游需求的因素非常多,比方政治法律因素、经济因素、社会文化因素、交通运输因素和旅游资源因素。而仅根据现有的指标来对旅游进行分析预测,势必会约束模型的拓展性,也会对旅游的分析有以偏概全之嫌,因而有待对可量化指标做进一步的扩展。3.季节性和周期分析。季节性对旅游业是一个不可忽略的重要影响因素。对于管理决策者而言,应着重考察季节性对旅游的影响,进而做出相应的政策调整和应对措施。一般而言,季节性能够看作44旅游需求预测方法与模型评述旅游需求预测方法与模型评述是确定因子或随机因子。确定因子能够通过引入虚拟变量进行分析,但要解决伪回归等实际问题。随机因子一般通过HE

20、GY方法检验季节单位根。但详细将季节性看作是确定因子还是随机因子目前还存在着争议,比方Coshall(2005)17通过研究以为没有通用的原则来确定季节性的特征,而Alleyne(2006)18研究发现通过检验季节单位根能改善旅游预测精度。周期分析主要是揭示旅游发展的周期性,Gouveia,Rodrigues(2005)19分析发现旅游周期滞后于经济周期,而更深层的研究目前还未出现。因而,季节性和周期分析这方面研究还有待深化。4.冲击分析和风险评估。旅游业是一个高敏感性行业,易受自然因素和人为事件的影响,因而对旅游业的外部冲击分析和拐点预测也有其实际意义。这方面的研究有Goh,Law(2002

21、)5分析亚洲金融危机对香港入境旅游的冲击;Huang,Min(2002)20分析了地震对台湾旅游影响和恢复情况。为了应对这些不可测因素,在事先建立一种风险评估机制是非常有必要的,有利于旅游管理决策者进行影响评价和采取预防应对措施。这就要求有系统的冲击分析和合理的风险评估方法,此方面也有待进一步的研究。参考文献:1Kulendran,N.,Wilson,K.Modellingbusinesstravel.TourismEconomicsJ12000,6:47-5912Li,G.,Wong,K.F.,Song,H.,Witt,S.F.Tourismdemandforecasting:Atimeva

22、ryingparametererrorcorrec2tionmodelJ1JournalofTravelResearch,2006,45:175-18513Li,G.,Song,H.,Witt,S.F.TimevaryingparameterandfixedparameterlinearAIDS:AnapplicationtotourismdemandforecastingJ1InternationalJournalofForecasting,2006,22:57-7114Turner,L.W.,Witt,S.F.Factorsinfluencingdemandforinternational

23、tourism:TourismdemandanalysisusingstructuralequationmodelingRevisitedJ1TourismEco2nomics,2001,7:21-3815Goh,C.,Law,R.Modelingandforecastingtourismde2mandforarrivalswithstochasticnon-stationaryseasonalityandinterventionJ1TourismManagement,2002,23:499-51016Smeral,E.,Wuger,M.Doescomplexitymatter?Methods

24、forimprovingforecastingaccuracyintourism:ThecaseofAustraliaJ1JournalofTravelResearch,2005,44:100-11017GohCarey,LawRob.Modelingandforecastingtourismde2mandforarrivalswithstochasticnonstationaryseasonalityandinterventionJ1TourismManagement,2002,23:499-51018Chu,F.L.Forecastingtourismarrivals:Nonlinears

25、inewaveorARIMA?J1JournalofTravelResearch,1998,36:79-8419Wong,K.K.F.,Song,H.,Chon,K.S.Bayesianmod2elsfortourismdemandforecastingJ1TourismManage2ment,2006,27:773-780110Au,N.,Law,R.CategoricalclassificationoftourismdiningJ1AnnalsofTourismResearch,2002,29:819-833111MontserratHernndez-Lpez,JosJuanCceres-

26、Hernndez.Forecastingtouristscharacteristicsbyage2neticalgorithmwithatransitionmatrixJ1TourismMan2agement.2007,28:290-297112Chao-HungWang.PredictingtourismdemandusingfuzzytimeseriesandhybridgreytheoryJ1TourismManage2ment,2004,25:367-374113朱晓华,杨秀春.旅游客源预测模型及其比照J1地理与地理信息科学,2004,(5)114RobLaw,NormanAu.Ane

27、uralnetworkmodeltoforecastJapanesedemandfortraveltoHongKongJ1TourismManagement,1999,20:89-97115Kuan-YuChen,Cheng-HuaWang.Supportvectorre2gressionwithgeneticalgorithmsinforecastingtourismde2mandJ1TourismManagement,2007,28:215-226116Tideswell,C.,Mules,T.,Faulkner,B.Anintegrativeapproachtotourismforeca

28、sting:AglanceintherearviewmirrorJ1JournalofTravelResearch,2001,40:162-171117Coshall,J.T.AselectionstrategyformodellingUKtourismflowsbyairtoEuropeandestinationsJ1TourismEconomics,2005,11:141-158118Alleyne,D.Canseasonalunitroottestingimprovetheforecastingaccuracyoftouristarrivals?J1TourismEco2nomics,2006,12:45-64119Gouveia,P.M.D.C.B.,Rodrigues,P.M.M.DatingandsynchronizingtourismgrowthcyclesJ1TourismEco2nomics,2005,11:501-515120Huang,J.H.,Min,J.C.H.Earthquakedevastationandrecoveryintourism:TheTaiwancaseJ1TourismManagement,2002,23:145-1541(责任编辑:陈育)54