主题公园旅游市场需求的预测研究(马海良蒋飞)

主题公园旅游市场需求的预测研究-以中华恐龙园为例马海良1蒋飞2（1.河海大学苏南经济研究所，常州，213022；2.河海大学商学院，南京，210098）摘要：经济增长和人民生活水平的显著提高促使主题公园旅游业迅猛发展，但与此同时，各地主题公园高度同质化给旅游企业带来了严峻的挑战。本文以中华恐龙园为例，根据2002-2013年入园人次和营业收入的数据，运用ARIMA预测模型，对中华恐龙园的市场需求进行预测。研究发现：到2018年，中华恐龙园的入园人次预测为664.57万人次，营业收入预测为73632.22万元，总体呈现出稳步增长的姿态。据此，我们认为中华恐龙园已处于成熟发展阶段，在下一步发展中需采取多元化发展战略，拓展产业链，从而实现企业的跨越式发展。关键词：中华恐龙园；旅游市场需求；ARIMA模型；预测中图分类号：F592.3文献标识码：A0引言21世纪以来，旅游业在城市经济发展中的产业地位逐步增强，已经成为了很多地区的支柱性产业之一[1]。旅游业能够较好的保护当地的地理人文环境，同时污染较少，解决贫困人口的经济发展难题，对当地的就业具有良好的拉动作用。主题公园作为一种综合性的、丰富创意性的、主题明确的旅游目的形态，受到广大旅游爱好者的喜欢。但近年来，各地主题公园高度同质化给旅游企业带来了严峻的挑战，甚至引起多米诺骨牌式的倒闭，如杭州未来世界、广州东方乐园等纷纷破产。因此，我国主题公园必须高度重视消费者市场需求，及时准确做好市场需求预测，以便为企业资源的有效利中用与合理配置提供技术支持[2]中华恐龙园作为国家5A级旅游景区、国家文化产业示范基地，行业领军地位日益凸显。自从2003年成立以来，中华恐龙园凭借规范化的管理模式、人性化的企业文化吸引优秀人才不断加盟，企业规模不断扩大，截止到2013年，集团资产规模逾50亿元，员工数量近2000人，年游客接待量超过500万人次，逐步成长为国内知名文化旅游企业品牌。本文运用ARIMA模型对中华恐龙园的入园人次和营业收入进行预测，并结合现有市场规模和结果展开具体分析，从而为中华恐龙园的发展提供指导性的政策建议。1主题公园旅游市场需求的文献综述1.1旅游市场需求的影响因素综述收稿日期：基金项目：国家社科基金项目（编号：13BJL047）,河海大学低碳经济学研究生硕士点建设项目资助。作者简介：马海良（1979-），男，江苏常州人，博士，河海大学低碳经济研究所副所长，研究方向：资源与环境经济；蒋飞（1994-），女，浙江长兴人，硕士，研究方向：旅游经济。从影响旅游需求因素的研究来看，Athiyaman(1973)[3]做了开创性研究。他用经济学的方法从收入弹性、价格弹性两方面对国际旅游需求高速发展的原因进行了分析。SungSooPyp(1991)[4]在《旅游需求的线性消费模型》一文中，运用数学模型的分析方法，分别从收入、价格、时间等因素探讨了对旅游需求的影响。以此为基础，Sevgin、Munoz[5-6]展开了系统研究，认为收入、价格、消费偏好、政治因素以及文化因素等都对旅游需求产生重要影响。我国学者也展开了足有成效的研究工作，如陈文晖(2003)[7]对我国的旅游空间需求进行了圈层结构分析，研究了主题旅游资源空间和主题客源空间的分布情况，在此研究基础上，提出了优化空间格局的意见以及空间调整的策略，孙依娃等(2013)[8]运用人工神经网络的方法，详细分析了收入、旅游消费占收入的比重、旅游区域供给强度和交通发展水平等4个因素对居民旅游需求的影响,并细化分析了各个类型的城市居民旅游消费的特征行为。1.2旅游市场需求的预测方法综述从预测方法来看，目前国外关于旅游市场需求预测已经形成了一套完整的预测体系。定性预测方法方面，尽管德尔菲法争议较多，但在没有更好的替代方法以前，仍然是众多研究者普通采用的方法，如SongH，WongKF（2003）[9]，欧阳润平，胡晓琴（2007）[10]。在定量预测方法上，研究人员建立了许多模型，如回归预测模型、时间序列预测模型、引力预测模型等。吴江华(2009)[11]等尝试运用人工神经网络模型对入境旅游需求进行模拟，将日本对香港的旅游需求作为案例进行检验，发现人工神经网络具有较高的准确度，模拟效果比较逼真。近年来，部分学者尝试用空间计量的方法对旅游市场需求进行旅游，以便更好的从空间经济学的角度展开分析，如张建辉、毕燕（2010）[12]等通过对我国城市居民旅游需求的空间差异及变化展开动态分析，认为旅游需求差异来源的空间分布表现出较大集中性,但随着极大偏离均值城市的差距减小,集中度也逐渐降低。总体而言，国外特别是欧美对于旅游需求的研究相比国内研究来说更加成熟和系统化。我国对于旅游经济学，特别是旅游市场需求的研究还处于起步阶段，大多借鉴国外的理论和方法。尤其需指出的是，由于数据收集的难度，我国缺乏对某个具体的旅游景点展开针对性的预测分析，因此在微观的企业层面，也不能给予广大的旅游企业实施有效的建议和指导。2中华恐龙园旅游市场的现状分析2.1中华恐龙园入园人次和营业收入分析中华恐龙园从1997年开工建设，2002年开始正式营业，每年入园人次、营业收入每年大幅度增长，并于2007年营业额顺利就突破亿元大关。在70%主题公园运营亏损的情况下，打破了以往国内主题公园“一年兴，两年平，三年衰，四年关门”的周期特点[13]。结合表1进行分析，发现除了2003年由于非典对旅游行业产生冲击入园人次略有下降外，中华恐龙园每年的入园人次逐年上升。从2010年起连续三年涨幅都超过了20%，2011年更是达到了31.99%，其余各年入园人次基本都是10%以上的增长，2013年的入园人次突破了五百万人次。凭借独特的主题，科普与娱乐联姻的5+2产品模式，中华恐龙园形成了了强大的影响力和竞争力营业收入上更是呈现井喷式的增长，在2003年入园人次下降的情况下，营业收入仍然同比增长了26.16%，于2005年就实现利润扭亏，2010年的年营业收入同比增长超过了60%，2012年更是突破了5亿元的关口。中华恐龙园的旅游市场和盈利模式已经相当成熟和完善，成为中国主题公园中的一枝独秀。表12002年—2013年中华恐龙园入园人次和营业收入年份入园人次营业收入人数(万人次)增减%收入(万元)增减%200210540062003104.9-0.105053.926.162004117.4912.005901.5316.772005142.7321.487470.4926.592006173.5621.609623.9228.832007194.2711.9311655.4221.112008216.7111.5517207.147.632009233.747.8618746.518.952010292.7325.2430604.4963.252011386.3731.9944966.7346.932012473.4322.5355531.6323.492013501.846.0059216.176.64资料来源：常州市旅游统计年鉴2.2LK集团旅游市场的空间结构分析旅游市场的空间结构分析是对旅游市场需求进行分析的重要组成部分，由于各地区的居民生活水平、距离常州的空间距离、交通运输的便捷程度存在差异，所以有必要对中华恐龙园的客源结构进行细分，从而为企业今后的营销策略和营销战略规划提供建议。由于具体各年的客源结构数据较难统计，并且这一数据具有一定的机密性，因此笔者与恐龙园管理人员联合采取了抽样调查的方式对客源结构进行调查。总计发放调查问卷800份，有效收回748份，收回率为93.5%。根据抽样调查数据显示，中华恐龙园的客源以经济发达、距离常州位置较近的长江三角洲地区为主，占据样本总数的80%以上，其中江苏占据比例最大，达到62.33%，上海次之，达到16.88%。除此之外，由于浙江和安徽在地理位置上的区位优势，客源分别占据8.16%和5.38%。而其他地区的游客总计只有6.26%，外国游客最少为0.99%。根据计算的数据，笔者把百分比为10%以上的地区定义为一级市场，5%—10%的地区定义为二级市场，1%—5%为三级市场，海外市场为独立的海外客源市场，根据以上分类，得到图1。图1中华恐龙园旅游市场客源结构从中华恐龙园旅游市场的空间结构进行分析，由于长三角地区具有空间距离的优势，且经济水平较高、旅游消费观念成熟，因此95%以上的游客都来自这一地区。但是如何扩大中华恐龙园的客源市场，优化客源结构，特别是在二级、三级客源市场的影响力也是未来发展的一个要点。2.3集团旅游市场的年龄结构分析由于每天进入恐龙园的游客较多，特别是周末节假日游客更是络绎不绝，对年龄结构的统计比较难进行。因此笔者采用抽样调查的方式，在一段固定的时间内对入园游客的年龄结构进行调查，从而对LK集团旅游市场的年龄结构进行分析。基于前面抽样调查的结果，分析结果如图2所示。图2中华恐龙园旅游市场游客年龄结构由图2可知，由于主题公园的行业特点，中华恐龙园游客的年龄结构相对还是比较合理的。恐龙园的游客主要以30岁以下的年轻人、学生群体为主，达到68%以上，40岁以上的游客数量所占的比例较小。但是一般而言，31-39岁的年龄段的群体相对而言消费观念较强、消费能力较高，因此为了使营业收入可以得到进一步的增长，吸引更多中高年龄段的游客进入恐龙园，优化游客的年龄结构是也是中华恐龙园未来发展需要考虑的一个要点。3LK集团旅游市场的需求预测3.1建模方法和步骤在现有的预测方法中，并没有一种方法或模型能够对各种情况展开有效预测，现有研究较为一致的观点是：在旅游市场需求这个问题的预测方面，时间序列法方法的科学性和正确性要优于回归模型法[14]，因此本文采用ARIMA模型对恐龙园旅游市场需求展开预测。ARIMA模型(AutoregressiveIntegratedMovingAverageModel)即差分自回归移动平均模型，是一种基于时间序列的预测方法。它能将原始的非平稳时间序列经过处理转化为平稳时间序列，处理过程中用数学模型去尽可能接近原始数据，然后根据过去值和现在值，在该模型被认可的基础上去预测未来数据。ARIMA((p,d,q)模型的数学表达式如公式1所示：11pqtitijtjijyy(1)ARIMA模型的建立通过以下四个步骤：数据处理、模型的识别、模型的检验和数据的预测[15]：（1）数据处理。时间序列的平稳性的建立ARIMA模型的基础，因此首先需要对数据进行平稳性检验，如果时间序列不平稳，则对数据进行差分处理。（2）模型的识别。在模型识别阶段就是要确定p,d,q的阶数，在数据处理阶段，需要对数据进行差分处理，直至序列平稳，差分的次数就是d的阶数。下一步，需要确定p,q阶数，利用差分后的时间序列数据的自相关函数(ACF)和偏自相关函数(PACF)确定p和q的值。（3）模型的检验。确定模型的阶数后，对模型的残差进行白噪声检验，检验模型是否能够较好的拟合，从而进行下一步的预测。（4）数据的预测。将建立好的模型利用SPSS软件对未来的旅游市场需求进行预测。3.2LK集团旅游人数预测1.平稳性检验。将2002年-2013年中华恐龙园的入园人数记为时间序列RYRC。利用Eviews6.0进行ADF单位根检验，检验结果如表4—1所示，t统计量为2.047470，大于临界值，因此RYRC是一组不平稳的时间序列，需要进行一阶差分。同样，进行一阶差分得到新的变量DRYRC，同样也进行ADF检验，结果显示t统计量为-3.131644,有90%的可能是平稳的。因此建立ARIMA(p,d,q)模型，其中d=1。2．模型的识别。为了对p，q进行最终确定，对RYRC的一阶差分变量DRYRC进行自相关分析，表2是DRYRC的自相关(ACF)系数和偏自相关(PACF)系数。表2DRURC的自相关(ACF)系数和偏自相关(PACF)系数3．模型参数的估计。本文选用最佳准则函数定阶法，即AIC准则。该准则是在模型参数极大似然估计的基础上，对模型的阶数和相应参数同