武汉市旅游季节性分析及预测

经济学第2卷◆第3期◆版本1.0◆2019年6月文章类型：论文刊号（ISSN）：2630-4759CopyrightcThiswordislicensedunderaCommonsAttibution-NonCommercial4.0InternationalLicense.39Economics武汉市旅游季节性分析及预测吴静茹中国人民大学农业与农村发展学院DOI:10.32629/ej.v2i3.167[摘要]以时间序列分析方法为工具,选取武汉市旅游总收入作为分析指标进行量化分析及对比分析,研究结论为武汉旅游经济的淡旺季问题提供了基础数据,实现了对旅游景区不同时期的预测,对旅游景区乃至整个旅游行业有重要的借鉴意义。[关键词]时间序列分析；旅游季节性；季节性预测；武汉市引言旅游的季节性变动是旅游经济学讨论的重点课题。它能够通过经济周期以及季节气候变化而造成经济指标表现出系统性、周期性或非规律性变动的现象①。但是,目前我国很多旅游景点因为没有准确掌握旅游的季节性规律,以至于错误的预估了游客数量,超出景区的昀大游客接待量,导致安全事故频繁发生。为保持旅游业的健康可持续经营,对旅游地区的客流量进行季节性预测具有不可替代的价值。季节性的存在影响着旅游资源变化和游客行为变动,影响范围几乎覆盖到整个旅游业。它的形成基本上由两个原因构成：第一是自然原因,比如季节变化、气候冷暖都会影响游客的出行意愿；第二是人为原因,主要与民族传统、文化习俗等原因相关,比如公共节假日和学校假期等②。并且旅游者的季节性偏好也会导致旅游的季节变动③。我国的旅游季节变动规律与节假日安排有着密切的联系,虽然迄今为止,国内外学者有关旅游季节性研究已出现了众多成功案例和成果,但武汉市旅游经济季节性的问题存在研究空缺,无疑为本研究指明了方向。1时间序列预测法概述时间序列预测法是一种历史资料延伸预测,它可以根据某社会经济现象在过去的时间数列中所展现出的规律进行推导,从而对该现象在未来的发展趋势进行预测。时间序列预测法可以分为简单序时平均数法、移动平均法、加权移动平均法、趋势预测法、指数平滑法、季节性趋势预测法等。20世纪70年代Box与Jenkins在《时间序列分析：预测与控制》著作中正式提出时间序列分析法,说明这种预测方法在理论上能够适用于任何领域进行时间序列分析。尤其在1982年,ARCH模型建立基于其优良的预测效果,时间序列模型在众多领域中都有较为普遍的应用,并且取得了丰硕的研究成果。至于旅游的季节性预测方面,国外在旅游市场研究的时间比较长远,像西班牙、澳大利亚此类旅游业发展较好的国家更是如此。这些旅游发达国家会设置专业机构去规划和管理旅游业以实现良好的业态发展,他们对于旅游市场上的季节性波动问题非常重视。在国内,对于旅游季节性相关研究已经取得了一些成果,但其研究类型相对较为单一。武汉作为湖北省会城市,历史悠久,它持续上升的旅游经济是我国旅游业健康、稳步发展的微缩影。但对武汉市旅游业季节性进行预测分析的研究却是凤毛麟角。有鉴于此,本文将选取武汉市旅游总收入为分析指标,以季节性趋势预测法作为工具,对武汉市旅游业的季节性进行定量分析,希望能在武汉市旅游季节性研究方面有所突破。2研究设计2.1数据来源考虑到使用旅游总收入作为分析指标的预测准确性比其它大部分指标更为准确,并且数据较容易获得,针对旅游季节性问题有极大的参考价值,选取了2010—2015年武汉市旅游月度收入作为原始数据进行分析,具体见表1。表12010—2015年武汉市旅游月度总收入(亿元)年/月1月2月3月4月5月6月7月8月9月10月11月12月20102011201220132014201560.1239.98112.4046.4056.75127.0436.1683.1042.41127.89130.30111.2266.91113.04129.51177.50269.46269.4153.3174.8981.0691.26112.30146.4263.2883.5298.21158.73122.66133.5486.73122.39179.22229.19289.03325.6580.98101.09130.05129.28147.04161.0280.60106.46135.66159.10135.22147.9369.85107.80157.45179.88245.83295.7569.78117.53151.71163.56150.87169.3131.9755.1669.1272.9076.2584.0654.0449.13109.21154.34213.75226.07注：数据来源于《武汉市旅游政务网统计年鉴》将上表原始数据绘成折线图(图1),我们可以清晰直观的看出,武汉市旅游月季收入在整体上呈现出逐年上升的趋势,由于受季节因素影响,数据在波动中上升,淡旺季差异较为明显。而通过武汉市各年份月季旅游总收入的波动幅度及上升状况显示,每年的同一时期里旅游月收入的变动情况基本一致,指标呈季节性变化较为明显,且呈现出规律分布的状态。图12010—2015年武汉市月季旅游总收入折线图经济学第2卷◆第3期◆版本1.0◆2019年6月文章类型：论文刊号（ISSN）：2630-4759CopyrightcThiswordislicensedunderaCommonsAttibution-NonCommercial4.0InternationalLicense.40Economics2.2时间序列预测方法及模型基于上述图表描述情况,本文将计算出月度季节指数,以揭示武汉旅游收入的月季变化规律,并在此基础上进一步预测出2016年全年的月季收入,为制定武汉旅游季节性不均衡的解决方案提供基础数据。从图1中可以看出,时间序列有强烈的季节性趋势,并且幅度大小随着趋势的变动而逐渐增大,所以这个时间序列可以用乘法模型进行预测④。因此,可以建立时间序列模型如下：=××其中,为时间序列t时期的数据,表示t时期的趋势因素,为t时期的季节因素,为t时期的不规则因素。通过上述时间序列模型,首先将此具有趋势的时间序列中的季节因素分离出去；其次,预测出该时间序列的趋势；昀后,将季节指数加在预测出的趋势上,得出昀后的结果,使得该预测可以同时表现出趋势因素和季节因素。3数据分析3.1用移动平均法来消除季节因素的影响运用时间序列法对上述原始数据进行处理。一个时序会有经常性因素和偶然因素的影响,因此进行数据处理时,一般会运用平滑法将偶然因素造成的干扰排除。本文按照六点中心移动平均值公式：=0.5∗（66）54……4512，i≥7从而求出2010年7月至2015年6月各月中心移动平均值(见表2)。再把每个月份的原始数据(表1)除以对应月份的中心移动平均值,得出每月的季节指标(见表3)。表2各月中心移动平均值(亿元)年/月1月2月3月4月5月6月7月8月9月10月11月12月201020112012201320142015—76.1899.54131.98154.04174.10—78.10101.96132.93153.78175.21—80.76105.25134.84155.53177.82—84.33108.74136.27157.75180.67—87.28110.75136.92157.36181.77—88.05113.83138.95159.98182.6061.9790.86113.58141.27165.38—63.0992.18114.39141.80167.52—66.9791.17119.96145.73166.72—69.7992.11122.38150.44168.14—71.5392.98125.33149.81170.02—73.8695.96129.93150.80171.99—表3季节指标年/月1月2月3月4月5月6月7月8月9月10月11月12月201020112012201320142015—0.521.130.350.370.73—1.060.420.960.850.63—1.401.231.321.731.52—0.890.750.670.710.81—0.960.891.160.780.73—1.391.571.651.811.781.311.111.140.920.89—1.281.151.191.120.81—1.041.181.311.231.47—1.001.281.241.090.90—0.450.590.550.490.45—0.730.510.841.021.24—将不同年份相同月份的季节指标相加并求其平均值,计算结果即为各月的季节指数。从表4中不难看出,各月的季节指数之和为12.06,为了方便测算,需对其实施微调整,使得各月的季节指数之和为12。因此,将各月季节指数分别乘以12/12.06,即得到调整后的季节指数(见表4)。这是我们对以后年份的旅游收入进行预测的依据。表4季节指数和调整后的季节指数1月2月3月4月5月6月7月8月9月10月11月12月Σ季节指数0.620.781.440.770.901.641.071.111.251.100.510.8712.06调整季节指数0.620.781.430.760.901.631.071.111.241.090.500.87123.2去掉时间序列中的季节因素为把时间序列中的季节的成分分离出去,需要将表1中的月季旅游总收入除以各月调整季节指数,得出消除季节因素后的月收入(见表5)。表5消除季节因素后的月季旅游总收入(亿元)年/月1月2月3月4月5月6月7月8月9月10月11月12月20102011201220132014201597.3564.75182.0075.1391.89205.7146.31106.4354.31163.79166.88142.4446.7478.9790.47124.00188.24188.2070.0498.38106.49119.90147.53192.3670.4092.92109.27176.60136.47148.5753.1374.98109.79140.40177.06199.4975.8194.64121.75121.02137.65150.7473.0296.44122.90144.13122.50134.0156.1986.73126.67144.72197.78237.9463.76107.40138.63149.46137.86154.7163.59109.72137.47145.00151.65167.1862.4256.76126.17178.30246.94261.163.3确定消除季节因素后的时间序列的趋势根据表5得出的消除季节因素后的月收入数据,我们采用线性规划模型进行预测,求解趋势直线方程,设月收入趋势直线方程为⑤：=a+bt其中,表示为求第t时期的旅游月度收入,采用昀小二乘法进行线性回归分析,根据表中的数据可求得：a=54.432,b=1.949,从而得出旅游月季收入趋势方程：=54.432+1.949t系数的P值均0.01,属于高度显著,故回归模型有效,模型拟合度较好(图2)。图2线性拟合图3.4进行季节调整及数据预测经济学第2卷◆第3期◆版本1.0◆2019年6月文章类型：论文刊号（ISSN）：2630-4759CopyrightcThiswordislicensedunderaCommonsAttibution-NonCommercial4.0InternationalLicense.41Economics用趋势方程估算2016年度的旅游月季收入,得出每1～12月的趋势预测值,再分别乘以对应月的季节指数,即得出季节调整后的月季收入预测值(见表6)。表62016年武汉市月季旅游收入预测值(亿元)1月2月3月4月5月6月7月8月9月10月11月12月趋势预测值196.69198.63200.58202.53204.48206.43208.38210.33212.2