基于BP神经网络和ARIMA组合模型的中国入境游客量预测

游客量的预测和分析是旅游规划与管理的基础性、关键性工作.目前,游客量预测主要采用基于传统研究方法或人工神经网络技术的单项预测方法.近年来的研究表明,组合预测方法比单项预测具有更高的预测精度.本文提出了一种基于BP神经网络和ARIMA组合模型的游客量预测新方法,对中国入境旅游人次数的变化趋势进行了综合分析与预测,预测结果表明这种方法相对于单一的预测方法具有更高的精度,该模型在旅游预测中的应用是可行、有效的.     

旅游发展与经济增长、第三产业增长动态关系——基于中国1978～2008数据的实证检验

在综述国内外文献并分析现有研究不足的基础上,文章通过构建Engel-Granger两步协整模型和格兰杰因果检验模型,以1978 ～2008年旅游发展、经济增长和第三产业增长时间序列数据为研究对象,检验中国旅游发展与经济增长和第三产业增长之间的长期均衡和因果作用关系.结果显示:(1)中国旅游发展与经济增长、第三产业增长之间存在长期稳定的协整关系,且分别有经济增长和第三产业增长到旅游发展的单向格兰杰因果作用关系,但与国际大多数研究结果不同的是,尚不存在旅游发展到经济增长或第三产业增长的单向格兰杰因果作用关系;(2)中国经济增长和第三产业增长对旅游发展的弹性系数分别为2.158和2.340,其中,第三产业对旅游发展的影响更大.研究结论为中国经济与旅游的协调发展提供了重要的政策启示.     

制度变迁对中国旅游经济增长的贡献——基于市场化进程的视角

面向市场化的制度变迁是推动中国旅游经济发展的重要力量。文章以市场化指数表征制度变迁,利用各省份的市场化指数与旅游经济面板数据,从时空角度剖析中国制度变迁对旅游经济增长的贡献。通过ADF单位根、E-G两步协整模型和格兰杰因果模型检验显示,从1997年到2009年,中国市场化进程与旅游经济增长存在稳定的协整关系,制度变迁对旅游经济增长存在单向的格兰杰因果作用关系;固定效应模型回归显示,市场化对旅游经济增长的贡献效应明显,这一时期全要素生产率增长的14.47%和旅游经济增长的4.45%是由市场化改革贡献的,且随着市场化进程的推进,贡献效应还在加强;制度变迁对不同区域的旅游经济增长呈现显著的正效应,但具有较大的区域差异,总体而言,市场化水平越高的区域,旅游经济越发达,区域的市场化变迁程度越强,对旅游经济增长的边际贡献度越大。中国的市场化体制改革还远没有完成,改革依然是中国尤其是中西部省份旅游经济增长的后发优势。     

综合国家距离对中国入境旅游的影响——基于CAGE距离框架的实证研究

入境旅游在旅游发展中具有重要战略地位,而我国入境旅游发展相对滞后,甚至影响到我国服务贸易的高质量发展。旅游具有异地性特征,现有研究往往从文化距离、行政距离、地理距离或经济距离等单一距离开展研究。然而,多种距离同时影响游客决策,单一距离模型降低了距离因素的解释力,同时纳入模型又会造成共线性问题,导致现有研究结论间存在矛盾,阻碍理论发展与应用。Ghemawat提出的国家距离框架基于多种距离形成评价总体国家距离的综合国家距离,得到普遍认可。文章基于国家距离框架,整合来自世界银行数据库、霍夫斯泰德文化维度官方数据、双边地理距离数据库、世界经济论坛等相关数据,形成2006—2018年我国55个客源国入境旅游的平衡面板数据,系统分析了综合国家距离对入境游客量的主效应、非线性影响,以及客源国互联网使用率的调节作用,得到如下结论:(1)综合国家距离是影响我国入境游客量的显著变量,距离对入境游的影响是文化距离、行政距离、地理距离和经济距离的复合效应;(2)综合国家距离与入境游客量之间呈正U形关系,综合国家距离可以是入境旅游的阻碍因素,也可以是促进因素,入境游客量随着综合国家距离增加而先减少后增加;(3)客源国互联网使用率没有弱化综合国家距离的影响,反而产生极化作用,极化了综合国家距离在拐点左侧的负影响和在拐点右侧的正影响。以上发现的主要价值为:(1)增进了对距离因素在国际旅游中作用的理解,提出影响入境游客量的综合国家距离变量;(2)识别出综合国家距离与入境游客量呈现正U形关系,证实综合国家距离是细分客源国市场的新变量;(3)揭示出客源国互联网使用率对综合国家距离产生的极化效应,突出了我国采用互联网传播目的地形象的必要性和重要性。     

长江中游地区产业结构对旅游业碳排放的影响研究

基于2000~2016年长江中游地区省域面板数据,构建产业结构和旅游业发展水平综合评价指标体系,并核算出该地区旅游业碳排放量,在此基础上通过建立向量自回归(VAR)模型,运用Johansen协整检验、格兰杰因果检验、脉冲响应和方差分解工具,分析产业结构、旅游业发展与旅游业碳排放的演变特征及影响机制。结果表明:研究区产业结构和旅游业发展水平在逐步提升的同时表现出显著的区域非平衡特征;产业结构、旅游业发展和旅游业碳排放之间存在长期均衡关系,且产业结构调整对碳排放影响更大;产业结构优化在长期内有抑制碳排放增加的作用,但目前研究区技术进步对旅游业的减排效应尚未显现,未来减排空间较大。     

中国国内游客满意度的内在机理和时空特征

文章基于包含6项结构变量、21项观测变量的游客满意度结构方程模型,利用2010年50个样本城市的23531份国内游客现场调查问卷数据,结合方差分析、CF滤波分析、时间序列模型、Theil指数和Moran’s Ⅰ指数等方法,全面分析旅游形象、游客预期、游客感知质量、游客感知价值、游客满意度和游客忠诚的内在机理和时空特征。研究发现：游客满意度模型的实际拟合效果较好,游客感知质量对游客满意度、游客满意度对未来忠诚度的作用效果较大;2010年全国样本城市国内游客的整体满意度指数为81．13,游客对景点、娱乐、旅游公共服务的评价较高;2010年游客满意度指数具有倒U形的季节规律,同时具有显著的正向空间集聚特征,华东地区已成为国内游客满意度较高城市的集聚区。     

我国入境旅游人次月度指数预测模型比较研究

需求预测是旅游产业经营决策的基本依据,但产业的广泛关联性与各类突发事件使旅游需求预测尤其是中短期预测较为困难.本文采用X12-ARIMA模型、TRAMO/SEATS模型、ARMA模型与GARCH模型,对异常数据点采用附加的外部冲击调整,利用7种估计方法估计了我国入境旅游人次的月度指数并进行了预测比较,发现采用外部冲击检测的TRAMO/SEATS模型由于能有效提取序列数据的信息,对预测我国入境旅游人次最为有效.     

旅游收入、交通基础设施和二氧化碳排放——基于PVAR模型的多变量经济学分析

本文基于中国30个省级行政区2000—2019年的面板数据,运用广义矩方法估计的面板向量自回归模型,建立一个包含旅游、交通基础设施和二氧化碳排放的多变量计量经济学模型,探讨中国旅游、交通基础设施和二氧化碳排放之间的动态关系及其空间异质性。主要研究结论：（1）全国和东中部地区存在旅游收入和交通基础设施之间的双向格兰杰因果关系,铁路里程对旅游收入的贡献要大于公路里程。（2）全国和东部地区存在旅游收入和二氧化碳排放之间的双向因果关系,旅游收入对东部地区碳排放增长的贡献最大,对西部地区碳排放增长的贡献最小。（3）公路和铁路对二氧化碳的贡献率在中部地区最大。总体上,交通基础设施与二氧化碳排放之间的格兰杰因果关系不显著。本文首次建立了一个多变量经济学分析框架综合性地讨论中国旅游收入、交通基础设施和二氧化碳排放之间的关联。文章提出的研究框架对不同空间区域和尺度的研究和实践均具有一定的启示意义。     

基于IOWHA算子的组合预测在中国入境旅游中的应用分析

为提高中国入境旅游人数月度数据序列预测精度,文章选择了目前相对最优单项预测模型——TRAMO/SEATS短记忆预测模型和ARFIMA长记忆预测模型,并根据中国入境旅游人数月度数据序列特点,采用非常适合中国入境旅游人数月度数据序列预测并具有高预测精度的传统线性回归预测模型,然后将各个单项预测模型进行基于IOWHA算子的组合。研究发现：基于IOWHA算子的组合预测模型,达到了目前为止中国入境旅游人数月度数据序列预测的最高精度。最后,根据中国入境旅游人数实际值和组合模型预测值的比较,定量分析世界金融危机等事件对中国入境旅游的影响程度和影响时滞,并探究中国入境旅游未来的发展趋势。     

收入与出境旅游率的非线性关系——基于门槛面板模型的实证证据

在各种有关出境旅游市场影响因素的研究中,收入水平与出境旅游的关系存在着显著的争议。文章判断二者之间存在着非线性关系,且因国家而异。该研究引入门槛回归模型,以世界95个国家和地区为研究总样本,并按照面积大小划分为3组,利用其1995~2011年的人均国民收入、出境旅游率、年龄结构、教育水平和就业水平数据,对收入和出境旅游率之间的相关关系进行了深入分析。研究发现:(1)各样本中,收入与出境旅游率均呈显著非线性相关。(2)样本不同,收入门槛值的数量和位置不同,促使出境旅游快速发展的收入门槛值也不同。说明国土面积对收入与出境旅游的关系具有潜在影响。(3)各控制变量总体上对出境旅游率具有正面影响。(4)中国出境旅游实际表现超过理论基准,处于快速超前发展的阶段。以上研究结果可以为一个国家或地区判定出境旅游的发展阶段及制定合适的旅游政策提供依据。     

The Baidu Index: Uses in predicting tourism flows –A case study of the Forbidden City

Tourist overcrowding of sites during the ‘Golden Week’ is a not an uncommon situation in China today. Consequently the prediction of tourist numbers is important for tourist attractions management and planning. Most existing methods rely on well-structured statistical data published by the government. However, this approach is limited in two aspects: 1) there may be significant delays in the publication of such data and 2) the sample size can be small, leading to inaccurate predictions. This paper proposes a novel approach for predicting tourist flows based on the Baidu Index. The Index provides search history containing different keywords on a daily basis dating back to 2006. The approach uses co-integration theory and Granger causality analysis to find the relationship between the internet search data and the actual tourist flow. The paper compares analysis results obtained by two kinds of predictive models, with or without considering Baidu Index. The study shows that there is a long-term equilibrium relationship and Granger causal relation between the observed number of tourists and a set of related keywords in the Baidu Index. It indicated a positive correlation between the increasing Baidu keyword search index and the increasing observed tourist flow.     

Forecasting tourist arrivals with machine learning and internet search index

Previous studies have shown that online data, such as search engine queries, is a new source of data that can be used to forecast tourism demand. In this study, we propose a forecasting framework that uses machine learning and internet search indexes to forecast tourist arrivals for popular destinations in China and compared its forecasting performance to the search results generated by Google and Baidu, respectively. This study verifies the Granger causality and co-integration relationship between internet search index and tourist arrivals of Beijing. Our experimental results suggest that compared with benchmark models, the proposed kernel extreme learning machine (KELM) models, which integrate tourist volume series with Baidu Index and Google Index, can improve the forecasting performance significantly in terms of both forecasting accuracy and robustness analysis.     

A novel hybrid model for tourist volume forecasting incorporating search engine data

The precise prediction of tourism demand has long presented a challenge for both tourism professionals and academics. Tourist volume forecasting is a nonlinear problem, support vector regression (SVR) can approximate a nonlinear system with enough precision, but parameters tuning has always been an obstacle to developing SVR with good generalization potential. Furthermore, previous research mainly used historical observations of tourism demand as the inputs of SVR. This study introduces an approach that hybridizes SVR with the Bat algorithm (BA), namely BA-SVR, to forecast tourist volume by incorporating search engine data. In this model, BA is used to adjust the SVR parameters. To validate our proposed approach, tourist volume data for China’s Hainan province from August 2008 to October 2015 were used in conjunction with corresponding search engine data as numerical examples. The 12-month simulation forecasts indicate that the BA-SVR is an effective method that can outperform its traditional counterparts.     

Forecasting Chinese cruise tourism demand with big data: An optimized machine learning approach

After more than ten years of exponential development, the growth rate of cruise tourist in China is slowing down. There is increasingly financial risk of investing in homeports, cruise ships and promotional activities. Therefore, forecasting Chinese cruise tourism demand is a prerequisite for investment decision-making and planning. In order to enhance forecasting performance, a least squares support vector regression model with gravitational search algorithm (LSSVR-GSA) is proposed for forecasting cruise tourism demand with big data, which are search query data (SQD) from Baidu and economic indexes. In the proposed model, hyper-parameters of the LSSVR model are optimized with GSA. By comparing these models with various settings, we find that LSSVR-GSA with selected mobile keywords and economic indexes can achieve the highest forecasting performance. The results indicate the proposed framework of the methodology is effective and big data can be helpful predictors for forecasting Chinese cruise tourism demand.     

交通巨变对中国旅游业发展的影响及地域类型划分

文章利用1985～2008年的相关统计数据及2006～2007年中国30个省区截面数据,采用协整分析和格兰杰(Granger)因果关系检验方法,分析了交通客运量与旅游客流量的关系及地域差异.结果发现:(1)从时间序列来看,旅游客流量与交通客运量之间存在着某种均衡关系,入境客流量与航空客运量存在单向格兰杰因果关系,铁路客运量和公路客运量与入境客流量存在单向格兰杰因果关系;航空客运量和公路客运量与国内旅游客流量存在单向格兰杰因果关系,铁路客运量与国内客流量无格兰杰因果关系.(2)从30个省区的截面数据分析,发现入境客流量与民航客运量呈明显的线性相关,国内客流量与公路客运量呈明显的二次函数关系,据此计算了入境旅游对航空客运和国内旅游对公路客运依赖程度,将全国30个省区划分为不同的依赖—偏好类型.为认识陆路交通与旅游业的发展提供了重要依据.     

Forecasting tourism demand with multisource big data

Based on internet big data from multiple sources (i.e., the Baidu search engine and two online review platforms, Ctrip and Qunar), this study forecasts tourist arrivals to Mount Siguniang, China. Key findings of this empirical study indicate that (a) tourism demand forecasting based on internet big data from a search engine and online review platforms can significantly improve forecasting performance; (b) compared with tourism demand forecasting based on single-source data from a search engine, demand forecasting based on multisource big data from a search engine and online review platforms demonstrates better performance; and (c) compared with tourism demand forecasting based on online review data from a single platform, forecasting performance based on multiple platforms is significantly better.     

旅游者中位年龄的几个市场指示意义

年龄是旅游市场细分理论中一个重要的社会—人口学变量,不同的年龄结构对细分市场的旅游行为有着重要的影响。然而,在刻画旅游者年龄结构时,无论是在业界实践还是学界研究中,被普遍采用但标准各异的旅游者年龄"上中下"分组模式却不可避免地制约了相关研究成果之间纵向或横向的比较与验证,需要发展一条可以沟通联系的纽带。文章试图将中位年龄作为这种可能的纽带引入我国旅游市场研究领域,基于国家旅游局公开发布的旅游者年龄统计数据,提出了旅游市场类型的中位年龄划分标准,并在此基础上进一步探讨了旅游者中位年龄在指示市场结构类型、市场环境波动和市场发展分化方面的后效价值,以期为旅游市场营销与管理提供一定的理论依据。     

网红短视频传播对消费者旅游态度的影响——以丁真走红现象为例

短视频网红宣传对旅游地知名度的提升起到重要作用。文章综合信源吸引力模型、信源可靠性理论和心流理论,探究短视频传播的网红特质对受众观看短视频时的专注度、快乐度、身临其境感和心流体验的作用,以及对受众想要去短视频宣传地的旅游态度的影响。通过问卷调研,收集558份有效样本,并构建了网红个人魅力影响受众心流体验和旅游态度的结构方程模型,进行路径分析和中介效应检验。研究发现:网红包括吸引力、可信度和受欢迎度在内的个人特质显著影响受众观看短视频的快乐度、专注度和身临其境感,促使受众产生心流体验,继而影响受众对网红相关地区的旅游态度。该研究对于借力短视频、网红经济等数字媒介环境下的新兴传播形式开发旅游资源,提升旅游知名度具有一定实践参考价值。     

Daily tourism volume forecasting for tourist attractions

A novel approach based on long short-term memory (LSTM) networks that can incorporate multivariate time series data, including historical tourism volume data, search engine data and weather data, is proposed for forecasting the daily tourism volume of tourist attractions. The proposed approach is applied to forecast the daily tourism volume of Jiuzhaigou and Huangshan Mountain Area, two famous tourist attractions in China. Through these two applications, the validity of the proposed approach is verified. In addition, the forecasting power of the approach with historical data, search engine data and weather data is stronger than that without search engine data or without both search engine data and weather data, which provides evidence that search engine data and weather data are of great significance to tourism volume forecasting.     

城市特征对城市游客满意度的影响——基于Probit模型的定量分析

游客满意度是衡量城市旅游发展的重要指标之一,掌握和控制游客满意度的影响因素对城市旅游发展和管理越来越关键。国内外研究综述表明,城市旅游的游客满意度影响因素及其关系的定量研究尚不多见,尤其对城市特征因素的研究。城市特征是城市旅游的必要组成,作为客观因素对游客满意度的影响不言而喻。文章运用文献分析法、问卷调查法和二元Probit离散选择模型计量法,以长沙市477名游客的现场调查数据为基础,对城市特征、个人特征和旅游动机三大变量下10个影响因素与游客满意度之间的假设关系进行检验。研究结果显示,修正后的游客满意度影响因素Probit模型具有统计学意义,6个研究假设得到验证;研究结论表明,城市社会发展水平、城市绿化水平、环境保护水平、旅游资源丰富程度、游客月收入、游客是否主动到访等因素对城市旅游的游客满意度产生显著的正面影响,其中,游客主动到访因素对游客满意度的影响作用最大,城市社会发展水平影响作用最小。研究结论一定程度上有利于促使城市管理者更多关注城市发展与旅游质量,最后,从满意度改善系统、城市要素建设、城市旅游资源开发和游客营销引导等方面提出政策建议。