第２８卷第６期世界科技研究与发展Ｖｄ．２８Ｎｏ．６２００６年１２月８４—８８页ＷＯＲＬＤＳＣＩ－ＴＥＣＨＲ＆ＤＤｅｃ．２００６ｐｐ．８４—８８
旅游需求预测方法的比较分析
任来玲刘朝明
（西南交通大学经济管理学院，成都６１００３１）
摘要：需求预测是旅游计划管理的一项重要工作。旅游需求预测对于旅游地规划和建设旅游基础设施，组织产
品和提供旅游者服务是一个基础性的前期工作。然而，旅游产品的易逝性和不可贮存之特征，对旅游需求预测提
出了更高的要求。本文试图通过总结和评价自２０世纪中期以来旅游需求预测的方法，确立一个适合于中国旅游
发展的新思路。
关键词：旅游需求预测方法比较
Ｃ锄ｐ撕ｎｇＡｎａｌｙｓｉｓａｂｏｕｔＴＯ嘶锄Ｄａｍａｎｄ№ｔｉＩｌｇＭｅｔｈｏｄｓ
ＲＥＮＬａｉｌｉｎｇＬＩＵＣｈ锄叫咖
（ｓｃｈ００ｌｏｆＥ００ｎｏｍｉｃｓ＆Ｍａｎａｇｅｍｅｎｔ，ＳＯｕｔｈｗｅｓｔＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ６１００３１）
Ａｂｓ仇吣ｔ：Ｉ）ｅｒｎａｎｄｆｏｒｅｃａＳｔｉｎｇｉｓａｖｅｒｙｉｍｐＯｒｔａｎｔｗｏｒｋｆｏｒｔｏ血锄ｐｌａＩｌａｎｄｒｎａｎａｇｅｎｌｅｎｔ．Ｔｏ嘣ｓｍｄ锄ａｎｄｆ６ｒｅｃａＳｔｉｎｇｉｓ
ａｂａＳｉｃｐｒｃＩｐｈａｓｅｗｏｒｋｔｏｔｏｕ＾ｓｍｄｅＳｔｉｍｔｉｏｎｐｒｏｇｒａｍｍｅｄ，ｔｏｕｒｉｓｍｉｎｆｒａＳｔｒｕｃｔｕｒｅｂｕｉｌｔ，ｐｒｏｄｕｃｔｓｏＩｇａｎｉｚｅｄａｒｌｄｓｅｒｖｉ（）ｅｓｏｆ—
ｆｅｒｅｄｆｏｒｔ０１一ｓｔＳ．Ｈ讲Ｍ船，ｉｔｎｅｅｄｓｍｏｒｅｐｒｅ＝ｃｉＳｅｆｃ帐瑚ｓｔｉｎｇｒｅｓｕｌｔｓｆｏｆｔ０１ｌｒｉｓｍｄ哪ａｎｄ（ｈａｎｅｌｓｅｂｅｃａｕｓｅｔｃｌｕｄｓｍｐｒｏｄ—
ｕｃｔＳａｒｅｐｅｄｓｈａｂｌｅａｎｄｉｍｐｏｓＳｉｂｌｅｔｏｂｅｓｔｏｃｋｐｉｌｅｄ．Ｔｈｉｓｐａｐｅｒｔｄｅｓｔｏｓ哪ｕｐａｎｄｅｖｄｕａｔｅｓｏｍｅｆ㈣ｓｔｉｎｇｍｅｔｋ）ｄｓｔｈａｔ
ｈａｖｅｂｅｅｎｄｅｖｅ＿ｌｏｐｅｄＳｉｎｃｅｔｈｅｍｉｄｏｆ２０ｔｈｃｅｎｔｕｒｙａｎｄｅｓｔａｂｌｉｓｈｅｓａｎｅｗｉｄｅａｔｈａｔ、衍Ｕｂｅｆｉｔ｛ｏｆＣｈｉｎｅｓｅｔ叫ｒｉｓｍｄｅｖｅＩｏｐ—
ｍｅｎｔ．
１（ｅｙｗｏｒｔｌｓ：ｔｏｕｄｓｍ，ｄ伽ｎ（】ｆｏｒｅｃａＳｔ，ｍｅｔｋ）ｄｏｆ００ｍｐ撕ｎｇ’
引言旅游需求预测开始于２０世纪６０年代【２Ｊ，但预
计划是人的本能。也是经济活动最重要的管理测方法的快速发展却是在２０世纪８０年代。在２０职能之一。计划从流程角度看，就是在了解现状的世纪９０年代之前，一般采用的是传统的定量定性研前提下，对未来发生的事件进行预测。对于一个决究方法，如计量经济方法，时间序列方法等；之后，人策者来说，为了使风险或损失最小化，或者乐观地工智能方法包括神经网络模型、粗集理论和灰色理说，为了实现成功的最大化可能，他必须为将来做好论等方法引入对旅游需求的预测研究。如图１所计划或必须预测…。示，在１４９篇旅游需求预测的文献中，１９８０年之前
的只有９篇，而进入２１世纪后，仅五年时间文献就
旅游业作为一个在战后发展起来的新兴产业，接近２０世纪９０年代的文献总数。
不论在发达国家还是发展中国家都获得了快速发
展。尤其对于中国这样的发展中大国，旅游业已经６０
成长为国民经济的主导产业之一。然而，随着旅游５０幽
业的蓬勃发展，与之形成反差的是旅游管理质量和
水平的落后。其中一个关键性的衡量指标，就是旅籁４０
摆３０
游预测与发达国家相比还处于学习阶段。由于旅游２０
产品的易逝性和不可贮存等特点，必然对旅游的预ｌＯ
测工作提出了更高的要求。因此，本文从文献分析Ｏ一．一．
１９６０－１９７０．藤１９８０－１９９０－蕊２０００－蘸
的角度首先对旅游需求预测的方法进行评述，并通１９６９１９７９１９８９１９９９２００６（２）
年份过各种方法的比较，得出了各种需求预测方法的优
势和局限性。图１旅游需求预测方法文献
第８４页万 方数据
２００６年１２月世界科技研究与发展管理学１旅游需求预测传统方法的比较平滑法、简单线性回归时间序列法、正弦波动时间序
列非线性回归模型以及季节性一非季节性自回归移
评价预测结果的标准一般归结为预测的准确动平均结合模型。结果表明，虽然预测的准确性随性，预测成本的高低和预测方法的可行性。自国家的不同而有所不同，但总的来说在预测国际旅Ｍａｒｔｉｎ＆Ｗｉｔｔｌ３Ｊ首次提出了旅游预测准确性问题以游需求方面季节性一非季节性自回归移动平均结合来，许多学者是通过预测值与实际值之间的误差来模型是最准确的。研究还发现，根据塞尔不等式系判断和衡量。为此通常采用的方法是Ｍ越）Ｅ（平均数的值判断，季节性一非季节性自回归移动平均结绝对误差百分比），ＭＳＥ（均方误），ＲＭＳＥ（平均误差合模型优于其他的预测方法＂Ｊ。
平方根），以及塞尔（Ｔｈｅｉｌ’ｓＵ∞ｅｆｆｉｃｉｅｎｔ）的Ｕ系数ＮＫｕｌｅｎｄｒａｎ，Ｍ踊ⅣｅｎＬＫｉｎｇ于１９９７年使用比较。误差修正模型与时间序列模型来预测国际旅游的季
ＴｉｈｏｍｉｒＳｔｕｃｋａ利用计量经济模型ｏＬＳ（０ｒｄｉ－度流动，文章通过四个主要旅游市场，美国、日本、英ｎａＪｋ∞ｔＳｑｕａｒｅ）、普通最小二乘法和吼瓜（Ｓｅｅｍ—国与新西兰流向澳大利亚的旅游者季度流动预测来ｉｎｇｌｙＵｎｒｅｌａｔｅｄＲｅｇｒｅＳＳｉ。ｎ）表面非相关回归来预测比较预测模型。这些模型包括误差修正模型、自回克罗地亚的旅游需求，并比较了这两种方法。这些归模型、自回归移动平均结合模型、基础的结构模型模型表明克罗地亚的旅游人数是客源国真实的国内与时间序列回归模型。主要结论是：与时间序列模生产总值和实际汇价的函数。通过预测准确性分型相比，误差修正模型的效果最差旧Ｊ。
析，ＳＵＲ模型比ＯＬＳ模型更准确，更有效果ｌ４｜。ＮａｄａＫｕｌ锄ｄｒａｎ，ＳｔｅｐｈｅｎＦｗｉｔｔ解释说国际旅
ＭａｒｇａｒｉｄａＤｅＭｅｌｌｏ在２００１年使用Ｓｉｍｓ’ｓ游需求的最小平方回归模型被证明比无变化模型ＶＡＲ（、飞ｃｔｏｒＡｕｔｏｒｅｇｒｅＳＳｉｏｎ）模型，作为Ｄｅａｔｉｏｎ与（天真法１）更不准确。文章的研究结果认为采用最Ｍｕｅｌｌｂａｕｅｒ’ｓＡＩＤＳ（～ｍｏｓｔＩｄｅａｌＤｅｍａｎｄＳｙｓｔｅｍ）新的计量模型比最小平方回归模型更准确，但是这方法的替代，分析了旅游市场份额、旅游价格与英国些新的计量模型仍然没有无变化模型与时间序列模旅游者预算之间的长期关系。通过受限制的集成型好［９｜。
ＶＡＲ模型分析英国旅游者的长期旅游需求行为与ＰｉｌａｒＧｏｎｚａｌｅｚ，ＰａｚＭｏｒａｌ认为估计的结构模型目的地市场份额的预测，其结论是：集成向量自回归预测结果比两个动态模型（转化函数与误差修正模模型是一个相当准确的旅游需求预测方法【５Ｊ。型）更准确【１０Ｊ。
Ｃ打ｅｙＧｏｈ，ＲｏｂＬａｗ利用香港的十大客源国的ＪｏｈａｎｎｄｕＰｒｅｅｚ，ＳｔｅｐｈｅｎＦＷｉｔｔ的研究结果表数据进行模型建立与评价，并选用了１０个时间序列明单变量状态空间模型最好，单变量自回归移动平模型，分别是天真方法（天真法１、天真法２）、移动平均结合模型次之，多变量状态空间模型最差ｕ１｜。均法（３个月移动平均法、１２个月移动平均法）、指数ＣｈｒｉｓｔｉｎｅＬｉｍ比较了几种指数平滑模型，并用平滑法（简单指数平滑法、霍特指数平滑法、温特指各种指数平滑模型来估计１９７５～１９９９从香港，马来数平滑法）、自回归移动平均结合法（ＡＲＩｍ）、融合西亚与新加坡到澳大利亚的季度旅游到达人数。均季节性的自回归移动平均结合法（跚ｔＩＭＡ：Ｍｕｌｔｉ—方误根用来检验预测的准确性。实证结果认为霍特
一温特加法模型与多元季节模型比单一的、双倍的、
ｐｌｉｃａｔｉｖｅＳｅａＳＯｎａｌＡＲＩＭＡ）、带干扰分析的自回归移霍特一温特非季节性指数平滑模型预测准确¨２｜。动平均结合法。并且用Ｔｈｅｉｌ’ｓｕ、ＭＡＰＥ、ＭＳＥ、从以上的研究可以看出，定量经济方法是最经ＲＭＳＰＥ（ＲｏＯｔＭｅａｎＳｑｕａｒｅＰｅｒｃｅｎｔａｇｅＥｎ℃ｒ），常使用的旅游需求预测方法。而在定量经济方法ＲＭＳＥ（Ｒ（）。ｔＭｅａｎＳｑｕａｒｅＥｒｒｏｒ），ＭＡＤ（ＭｅａｎＡｂＳｏ—中，更普遍的是时间序列方法。在用时间序列方法ｌｕｔｅⅨｖｉａｔｉｏｎ）对预测的准确性进行了检验。在有进行短期预测时，精度一般比较高。尤其是时间序干扰因素的情况下，ＳＡＲＩＭＡ方法预测的准确度最列方法中考虑了季节性因素的方法，如温特线性和高［６Ｊ。季节性指数平滑法，季节性自回归移动平均结合模
楚方林利用６种预测技术来预测亚太地区国家型是预测方法中的佼佼者，一般情况下他们都能取的旅游需求，天真ｌ法、天真２法、霍特一温特指数得理想的预测效果。当然时间序列方法也有很明显删ｊ．酉０ｂｅＳｃｉ．ｃｏｍ万 方数据第８５页
管理学世界科技研究与发展２００６年１２月的缺点，因为时间序列模型仅是依据过去的数据对ＣⅡｅｙＧｏｈ＆Ｒｏｂｈｗ认为粗集理论可以从原未来做出判断，从而没有考虑旅游者产生旅游需求始的混乱的数据中找到有用的信息并从决定规则的的原因以及各种干扰因素，所以时间序列模型不利数据中发现知识。他们用香港的１０大客源国１９８５于旅游供给者进行深层次的需求分析，也不能为旅年到２０００年的数据来检验。结论是粗集理论在用游管理者与旅游企业经营者带来更多的信息。来预测旅游需求时的准确率可以达到８７．２％【”Ｊ。２人工智能方法的比较王朝宏使用模糊时间序列与混合灰色理论来预
测旅游需求，实证结果表明模糊时间序列方法最适
现代旅游预测更多地用到人工智能方法。Ｒｏｂ－合预测香港到台湾的需求，灰色理论比较适合香港Ｌａｗ，ＮｏｍａｎＡｕ利用神经网络模型预测到香港旅与美国到台湾的旅游需求，而Ｍａｒｋｏｖ改进模型最游的日本游客需求，这也是神经网络进人旅游研究适合德国到台湾的旅游需求Ｈ８｜。
后的第一篇用来预测旅游需求的文献。实证表明使１９９２年Ｍａｚａｎｅｃ使用神经网络模型来细分旅用神经网络预测日本游客到香港旅游的人数比多元游市场，这可以说是人工智能技术在旅游学中的初回归模型、天真模型、移动平均模型与指数平滑模型次应用。１９９９年神经网络模型用来预测旅游需求。更好［１３｜。这之后粗集理论、模糊理论与灰色理论也运用到了
ＣＪＳＣＢｕｒｇｅｒ等用一系列的时间序列预测模旅游业，学者专家的探索不断丰富了旅游需求预测型来预测南非德班的旅游需求。这些方法包括：天方法。从以上研究者的结论来看，人工神经网络和真模型，移动平均法，分解模型，单一指数平滑法，自传统的定量研究方法相比，预测的准确性更高一些。回归移动平均结合法，多元回归模型，遗传回归模型但是，人工智能技术也有缺点：第一，人工智能技术与神经网络法。结果表明神经网络的预测效果最需要大量的数据，但在旅游需求预测中这并不总是好［１４｜。能够实现的；第二，人工智能技术的解释性不强，无
ｖｉｎｃｅｎｔＣｈｏ用３种不同的时间序列方法来预助于旅游管理者分析解决实际问题。
测旅游需求的准确性，这３种方法分别是指数平滑
法、单变量自回归移动平均结合法以及神经网络方３预测方法的实证检验
法，并且用平均误差平方根（ＲＭＳＥ）与平均绝对误通过以上对旅游需求预测方法的比较，我们可差百分比（１、，ＩＡＰＥ）进行了检验，最后得出的结论是知就传统的预测方法来说，带有季节性分析的指数在这三种方法中，人工神经网络的预测结果是最准平滑法与自回归移动平均结合法是准确性较高的旅确的［３｜。游需求预测方法；而对于人工智能方法，虽然在旅游
Ｒ．ｏｂＬａｗ的研究使用神经网络模型来预测旅游需求预测方面仍然是探索性的应用，但通过一些研需求，实证结果表明使用向后繁衍神经网络比回归究者的结论可以看出，神经网络等人工智能方法比模型，时间序列模型以及向前推进神经网络模型预传统的时间序列方法以及因果关系分析方法要准测准确性更好【１５Ｊ。确。但由于我国的旅游起步比较晚，旅游业发展虽
Ｐａｔｔｉｅ与Ｓｎｙｄｅｒ宣布，通过实证检验，使用神经然很快，但旅游信息管理工作开展的却比较迟，如我网络预测非线性的旅游者的行为能比线性趋势外推们国家真正完整的旅游数据资料统计却是从１９８９预测方法、指数平滑法、自回归移动平均结合法以及年开始的。针对人工智能方法需要大量数据的特天真模型得到较低的平均绝对误差百分比，较低的征，就我国目前的现状来说，我国的旅游需求预测不累计相关绝对误差，较低的平均误差平方根¨５｜。太适合采用人工智能方法。所以我们选用了温特指
Ｓ，Ｉ．Ａｏ在２００３年利用模糊理论来预测具有不数平滑法与自回归移动平均结合方法对我国的四大确定性的旅游业。模型混合了计量自回归模型与模主要客源国来华旅游人数进行预测。
糊模型，在传统计量自回归模型的基础上，试图采用在我国的十大客源国中，日本、韩国、俄罗斯与非参数的模糊模型来预测旅游需求人数，因为它们美国的增长趋势比较明显，波动也比较大，所以我们之间的关系是高度非线性的并且是动态的。作者认选择这四个客源国进行了需求预测分析。我们用为混合回归——模糊模型作为一个整体来研究旅游１９８９至２００４年日本、俄罗斯与美国来华的月度旅市场，其预测结果是比较准确的¨６｜。游人数进行需求预测。由于韩国的旅游人数统计始第８６页万 方数据
２００６年１２月世界科技研究与发展管理学于１９９５年，所以韩国的数据采样是１９９５年至２００４如在预测日本与美国的来华旅游人数时，自回归移年的月度数据。预测结果见表１。动平均结合模型的预测精度要高于温特指数平滑模
表１两种方法预测精度比较型；而在预测韩国与俄罗斯的来华旅游人数时，温特
温特指数自回归移动
兰塑堡型：兰塑笙盒堡型指数平滑模型的预测效果要优于自回归移动平均结
ＲＭＳＥＭＡＰＥＲＭＳＥＭＡＰＥ合模型。
４结论
将预测的各种方法引入旅游业既有其独到的优
势也有其不足。在对旅游需求预测方法进行实证检
从表１可以看出，温特指数平滑模型与自回归验时，由于研究对象不同，得出的结论不尽相同。如移动平均结合模型都可以获得比较好的预测结果。表２所示，在旅游需求预测的准确性方面，传统的方但对于不同的预测对象，这两种方法还是各有千秋，法显示了各自的特点。
表２旅游需求预测方法准确性比较
ＭｉｃｈａｅｌＤＧ．ｅｔａｌ１９７５××Ｕ相等ＧｅｒａｒｄＳＤ１９９５××Ⅳ【ＡＰＥＡＲＩＭＡ（Ｕ）ＰｉｌａｒＧ．ｅｔａｌ１９９５×××ＲＭＳＥ洲
ＰｉｌａｒＧ．ｅｔａｌ１９９６×ＳｎｖＩＨＯＩｉｎＱｕ，ｅｔａｌ１９９７×
ＣｈｒｉｓｔｉｎｅＬｉｍ１９９７××
ＮＫｕｌｅｎｄｒａｎ．ｅｔａｌ１９９７××××ｕ，膦怒徼；ｓ）
Ｆｏｎｇ—ＬｌｎＣｈｕ１９９８××Ｘ×××ＵＡＲＩＭＡ（Ｕ）ＲｏｂＬａｗ．ｅｔａ１１９９９×××ＮＮ～”ＬＰＥＮＮＲｏｂＬａｗ２０００×××××㈣毓Ｂｐ“ＭＡＰＥ。ＲＭＳＰＥ。……１ＮＮＭａｎｕｅｌＶ．ｅｔａｌ２０００×ＥＲＲＯＲ
ＣｈｒｉｓｔｉｎｅＬｉｍ．ｅｔａｌ２０００××瞅；Ｙ
ＣｈｒｉｓｔｉｎｅＬｉｍ．ｅｔａＩ２００１×心
Ｃ¨ｓｔｉｎｅＬｉｍ．ｅｔａ１２００１×ＲＭＳＥ
Ｋｅ、，ｉｎＧｒｅ∞ｉｄｇｅ２００１×
ＮａｄａＫｕｌｅｎｄｒａｎ．ｅｔａｌ２００１××××××ＥＣＭ
ＣＪＳＣＢｕｒｇｅｒ，ｅｔａ１２００１×××××××＾１ＡＰＥＮＮＴｉｈｏｍｉｒｓｔｕｃｋａ２００２×ＳＵＲＳＥＳＵＲＣｈｒｉＳｔｉｎｅＬｉｍ．ｅｔａ１２００２××ＲＭＳＥＡＲＩＭＡ（Ｕ）Ｃ矾ｙ（ｂｈ，ＲｏｂＬａｗ２００２×××××ＡＲＩＭＡ（Ｍ）ＡＫｈａｌｉｋＳａｌｍａｎ２００３×
ＨａｊｙａｎＳ０ｎｇ，ｅｔａｌ２００３ｘｘｘ×ｎ伊眦贼１“ＲＭ［ＳＰＥ
ＪｏｈａｎｎｄｕＰ。ｅｔａｌ２００３×××ＬＳａｒａｔｈＤｉｖｉｓｅｋｅｒａ２００３×Ⅱ黝Ｍ’Ｌ）
ＪｏｈａｍｄｕＰ，ｅｔａＩ２００３×××ＡＲＩＭＡＶｉｎｃｅｎｔＣｈ０２００３×××ＮＮＪａｅＨＫｉｍ，ｅｔａ１２００５×××
注：ＮＩ（ＮａｉｖｅＩ），ＮⅡ（ＮａｉｖｅⅡ），Ａｕ（ＡｕｔｏｒｅｇｒｅＳｓ．ｏｎ），ＢＪ（Ｕ）：（Ｕｎｉ嘣ａｂｌｅＡＲＩＭＡ），ＢＪ（Ｍ）：（ＭｕｌｔｉｖａｒｉａｂｌｅＡＲＩＭＡ）。Ｌ（Ｌｉｎｅａｒ∞ｄｅｌ），ＬＬ（Ｌ０９Ｌｉｎｅａｒｍｏｄｅｌ），ＥＣＭ（ＥｒｍｒＧｏｒｒｅｃｔｉｍＭｏｄｅｌ），ＳＴＭ（ｓｔｒｕｃｔｕａｌＴｉｍｅＭ。ｄｄ），ＮＮ（ＮｅｕｒａｌＮｅｔｗｏｒｋｍｏｄｅｌ），ｓＵＲ（ＳｅｅｍｉｎｇｌｙＵｎｒｅＩａｔｅｄＲｅｇｒｅ｝强ｉｏｎ），ｎ甲（Ｔｉｍｅｖａｒｙ；ｎｇｐａ阳ｍｅｔｅｒ），ＴＦ（Ｔｒａｎｓｆｅｒｆｕｎｃｔｉｏｎ），Ｕ（丁ｈｅｉｌ’ｓＵＣｏｅｆｆｉｃｉ∞ｔ）。ＭＡＰＥ（Ｍ锄ＡｂｄｕｔｅＰｅｒｃｅｎｔａｇｅＥｒｍｒ），础ⅥＳＥ（Ｒ００ｔＭｅａｎｓｑｕａｒｅＥｒ∞ｒ），ＭＡＤ（ＭｅａｎＡｂ猷ｕｔｅａ１），ＢｐＮＮ（Ｂａｃｋ—ｐｒｏ陴ｔｉｏｎＮｅｕｒａｌＮｅｔｗｏｒｋ），Ｓ（Ｓ｝１０ｒｔ～ｔｅｍ），Ｌ（１０ｆ】ｇ—ｔｅｎｎ），Ｍ（Ｍｅｄｉ啪一ｔｅｎｎ），ｓＥ（ｓｔａｎ—Ｄｅｖｉａｔｉｏｎ），ＭＳＥ（ＭｅａｌｌｓｑｕａｒｅＥｒｒｏｒ），ＲＭＳＰＥ（Ｒ００ｔＭｅａｎＳｑｕａｒｅＰｅｒｃｅｎｔａｇｅＥｒｒｏｒ），ＡＤＦ（Ａｕｇｍｅｎｔｅｄ肼ｃｋｅｙ一刚ｌｅｒ）），ⅢｂＹ（Ｈｙｌｌｅｂｅｒｇ，ｅｔ
ｄａｒｄＥｒｍｒ）
一种预测模型要根据研究的需要来决定。如果自变量的值是已知的或是能够准确估计的，那么神叫叫训．∥０６伤以．∞７７ｚ万 方数据第８７页
管理学世界科技研究与发展２００６年１２月经网络的预测结果最准确。当自变量受政策影响需
要估计时，回归模型会更有用；如果自变量不能够得
到，时间序列模型预测效果最好。
在选取预测方法时，还要考虑预测的精度与成
本之间的关系。例如采用立方多项法进行旅游需求
预测，表明立方多项模型的平均绝对误差百分比要
高于正弦波动非线性回归模型与季节性——非季节
性自回归移动平均结合模型。从精确度来说，立方
多项模型并不是最理想的，但是因为立方多项模型
内在的线性特征，它具有低成本的优势［１９】。
预测的目的绝不是为了单纯的预测，预测是用
来提高管理水平与绩效的。而在目前的旅游需求预
测文献中，主要是从方法的角度来研究，基本上没有
涉及到旅游预测方法在实践中的作用，也没有提到
通过旅游需求预测，如何提高旅游目的地的服务水
平与供给能力，使需求与供给达到平衡，最大可能地
提高旅游目的地的绩效水平。而这一点却是旅游目
的地最关心的，也是旅游需求预测的最终目的。
参考文献
［１］ＷｉｔｔＳｔｅｐｈｅｎＦ，ｗｉｔｔＣ¨ｓｔｉｎｅＡ．Ｆ研ｅｃａＳｔ魄ｔｏｕｒｉｓｒｎｄａｍｎｄ：Ａ
ｒｅｖｉｅｗｏｆｅｍｐ矾ｃａｌｒｅｓｅａｒｃｈ［Ｊ］．ＩｎｔｅｍａｔｉｏｎａｌＪｏｕＨ】ｄ０ｆＦｂｒｅｃａｓｔ．
ｉｎｇ，１９９Ｓ，¨：４４７～４７５
［２］ＱｕＨａｉｌｉｎ，乙眦１Ｓｂｐｈｉａ．ＡｔｒａｖｅｌｄｅｎｌａｎｄｍｏｄｅｌｆｏｒＭａｉｎｌａｎｄＣｈｉ—
ｎｅｓｅｔｏｕｒｉｓｔｓｔｏＨｏｎｇＫｏｎｇ［Ｊ］．ＴｏＩｌｒｉ锄Ｍａｎａｇｅｒｎ饥ｔ，１９９７，１８
（８）：５９３～５９７
【３］ａ的Ｖｉｎｃ朗ｔ．Ａｃｏｍｐａｒ；ｓｏｎｏｆｔｈｒｅｅｄ’ｆｆｅｒ饥ｔ印ｐｒｏａｃｈｅｓｔｏｔｏｕｒｉ蛐
删训ｆｏｒｅｃａｓｔ吨［Ｊ］．Ｔｏ嘶锄Ｍａｌｌａｇ锄ｅｎｔ，２００３，２４：３２３～３３０
［４］ＳｎｌｃｋａＴｉＩｌ鲫ｉｒ．Ａｃｏｍｐ翻３０ｎｏｆ咖ｅｃｏｒ砌ｅ翻ｃｍｏｄｅｌｓ（０ＬＳａｎｄ
ＳＵＲ）ｆｏｒｆｏｒｅｃａｓｔ堍Ｃ瑚ｔｉａｌｌｔｏ嘶蛐删ｖａＪｓ（ＷｏｒｋｉｌｌｇＰａｐｅｒ）
［Ｚ］．２００２
［５］Ｍａｒｇ捌ｄａｄ咖ｄＤｅＭｅｌｌｏ．Ｔｈｅｆｏｒｅｃｊ皓ｔｉｎｇａｂｉｌｉ够ｏｆａｃｏｉｍｅｇｒａｔｅｄｖＡＲ
ｓｙｓｔｅｎｌ、撕ｔｈｅｒｌｄｃｇｅｎｏ嘴ｖｓ．ｅ）。ｏｇｅ∞ｕｓｅ珥瑚ｄｌｔｕｒｅｖａｒｉ—
ａｂｌｅ：ａ１１印ｐｌｌｃａｔｉｏｎｔｏｔｈｅＵＫｉｍｐｏｒｔｓ０ｆｔｏ—ｓｍｆ埘ｎｎｅｉｇｈｂｏｕｒ．
【６］Ｇｏｈ呻，Ｌａｗｉｎｇ００ｕｎｔ—ｅｓ（ｗｏｒｋｉｎｇＰａｐｅｒ）［ｚ］．２００１
Ｒ０ｂ．ＭｃＨｄｅｌｉｎｇａｎｄｆｏｒｅｃａｓｔｉｎｇｔｏｌ】ｒｉｓｍｄｅｍａｎｄｆ。ｒ
第８８页万 方数据ａｒｒｉ、柚ｓｗｉｔｈ卧０ｃｈａｓｔｉｃｎｏｎｓｔａｔｉｏｎａｒｙｓｅ脚ｎａｌｉｔｙａｎｄｉｎｔｅｒｖｅｎｔｉｏｎ［Ｊ］．Ｔｏ嘶锄Ｍａｎａｇｅｍｅｎｔ，２００２，２３：４９９～５１０［７］ｃｈｕＦｏｎ９１ｉｎ．Ｆｏｒｅｃ烈吨ＴｏｕｒｉｓｔＡｒｒｉ砌ｓ［Ｊ］．Ｊ０１】ｎｌａｌｏｆＴｒａｖｅｌＲｅ—ｓｅａｒｃｈ，１９９８。３６：７９～８４［８］Ｋｕｌ朗ｄｒａｎＮａｄａ，Ｋｉｔ】ｇＭａｘｗｅｌｌＬ．Ｆ（１ｒｅｃａｓｔｉｎｇｉｍｅｎｌａｔｉｏｎａｌｑｕａｒ—ｔｅｒｌｙ屯ｏｕｒｉｓｔｆｂｗｓｕｓｌｎｇｅｒｒｏｒ．ｏ。ｒｒｅｃｔｉｏｎａｎｄｔｉｍｅ－ｓｅｒｉ罄ｍ。ｄｅｋ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎ＿ａｌｏｆＦｏｒｅｃ勰ｔ吨，１９９７，１３：３１９～３２７［９］Ｋｄｅｎｄｒ锄Ｎａｄａ，ｗｎｓｔ印ｈ锄Ｆ．ｃｏｉｎｔｅｇｒａｔ妇ｌｖｅｒｓｕｓｌ铭ｓｔ璋即ｓｓｉｏｎ［Ｊ］．№ｌｓｓｑｕａｎｅｓｏｆＴ０ｕｒｉ∞Ｒｅ９眦ｈ，２００１，２８（２）：２９１～３１１［１０］Ｇｏｎｚａｌ铭ｐｉｌａｒ，ＭｏｒａｌＰａｚ．ＡｎａｌｙＳｉｓｏｆｔｏｕｒｉｓｍｔｒ饥ｄｓｉｎｓｐａｉｎ［Ｊ］．ＡｌｍａｌＳ０ｆＴｍｌｒｉ鲫１Ｒ目ｅａｒｃｈ，１９９６，２３（４）：７３９～７５４［１１］Ｐｒｅ既Ｊｏｈａｎｎｄｕ，ｗｉｔｔｓｔｅｐｈｅｎＦ．Ｕ“ｖａ—ａｔｅｖｅｒｓｕｓｍｕｌｔｉ、ｗ’ｉａｔｅｔ．蚰ｅＳｅｒｉｅｓｆＧ盹ｃ弱ｔｉｎｇ：ａＪｌａｐｐｌｉｃａｔｉｏｎｔｏｉｎｔｅｍｔｉｏｎａｌｔｏｕｒｉｓｍｄｅ－ｒｒｍｄ［Ｊ］．Ｉｎｔ伽ｔｉｏｌｌａｌＪａｕｎｌａｌｏｆＦｏｆｅｃ挝ｉｎｇ，２００３，１９：４３５～４５１［１２］Ｌｈｃ¨ｓｔｉｎｅ，ＭｃＡＪｅ口Ｍｉｃ｜１ａｅｌ．ＴｉｍｅＳｅ—ｅｓｆｏｒｅｃａＳｔｓｏｆｉｎｔｅｍａ—ｔｉｏｎａｌ℃ｒａ、，ｄｄ锄ｎｄｆｏｒＡｕｓｔｒａｌｉａ［Ｊ］．Ｔ。ｕｒｉ鲫１Ｍａｎａｇｅｒｎｅｎｔ，２００２。２３：３８９～３９６Ｒ０ｂ．ＡｎｅｕｒａＩｎｅｔｗｏｒｋｍ。ｄｅｌｔ０ｆｏｒｅｃａｓｔＪａｐａｎｅｓｅｄｅｍ曲ｄｆｏｒｔｒａｖｅｌｔｏＨｏｌｌｇＫｏｎｇ［Ｊ］．Ｔ０ｕｒｉｓｎｌＭａｎａｇ锄ｅｎｔ，１９９９，２０：８９～９７ｃＪｓｃ，肪ｈ１１ａｌＭ，ＫａｔｈｒａｄａＭ。ＬａｗＲ．Ａｐｒａｃｔｉｔｉｏｎｅｒｓｇｕｉｄｅｔｏｔｉｍｅ．ｓｅｒｉ鹤ｍｅｔ｝】ｏｄｓｆ曲ｔｏｕｒｉｓｍｄ咖ｄｆｏｒｅｃａｓｔｉｎ：ａｃａｓｅｓｔｕｄｙｏｆＤｕｒｌⅪｎ，ｓｏｕｔＩｌＡ俪ｃａ［Ｊ］．Ｔｏ面锄Ｍａｎａｇｅｎｌｅｎｔ，２００１。２２：４０３～４０９Ｒｏｂ．Ｂ黾ｃｋ—ｐｒｏｐａｇａｔｉｏｎｌｅａｒｎ讧毽ｉｎｉｍｐ∞ｖｉｎｇｔｈｅａｃｃｕｒａｃｙｏｆｎｅｕｒａｌｎｅｔｗｏｒｋ—ｂａｓｅｄｔｏｕｒｉ锄ｄｅｎｌａｎｄｆｏｒｅｃａｓｔｉｎｇ［Ｊ］．ＴｏｕｒｉｓｍＭａｍｇｅｎｌｅｎｔ，２０００，２１：３３１～３４０ｓＩ．ｕｓ魄ＦｕｚｚｙＲｕｌｅｓｆｏｒＰｒｅｄｉｃｔｉｏｎｉｎＴｏｕｓｉｓｔＩｎｄｕＳｔｒｙｗｉｔｈｕｎｃｅｒｔａｉｎｔｙ［Ｒ］．ＰｆＤｃｅｅ出ｎｇｏｆｔｈｅＦｏｕｎｈＩｎｔｅｍａｔｊｏ蒯跏Ｔ）ｐ０一ｓｉｕｒｎｏｎＵｎｃｅｒｔａｉｎ秽Ｍ０ｄｅｌｉｎｇａｎｄＡ１１ａｌｙｓｉｓ（ＩＳＩＭＡ’０３），２００３Ｃａｒｅｙ，ＬａｗＲｏｂ．Ｉｎ００ｒｐｏｒａｔｉｎｇｄｌｅｒｏｕｇｈｓｅｔｓｔｈｅｏｒｙｉｎｔｏｔｒａｖｅｌｄｅｒｎａｌｌｄａｎａ】ｙＳｉｓ［Ｊ］．Ｔ０ｕｒｉ锄Ｍａｒｌａｇｅｎｌｅｎｔ，２００３，２４：５１１～５１７ＣｈａｍＨｕｒ】ｇ．Ｐｒｅｄｉｃｔｉｎｇｔｏ嘣ｓｍｄｅｎｍｄｕｓｉ唱ｆｕｚｚｙｔｉｍｅｓｅ—ｒｉｅｓａｎｄｈｙｂｒｉｄｇｒｅｙｔｈｅ０巧［Ｊ］．Ｔｏｕ＾ＳｒｎＭａｒ耀ｅｒｎｅｎｔ，２００４，２５：３６７～３７０Ｆｏｎｇ．Ｌｉｎ，Ｆ０ｒｅｃ黜岖ｔｏ一锄ｄｅｆｎａｎｄ：ａｃｕｂｉｃｐｏｌｙｎｏｍｉａｌａｐ・ｐｒｏａｃｈ［Ｊ］＇Ｔｏｕｒｉ锄Ｍａｌｌａｇｅｒｎ∞ｔ，２００４，２５：２０９～２１８（责任编辑：张勐）删，．彰∞份以．∞７７ｚ［１３］Ｌａｗ［１４］Ｂｕ瑁ｅｒ［１５］ｋ）ｗ［１６］Ａｏ［１７］Ｇｏｈ［１８］ｍｍｇ［１９］ｃｈｕ
旅游需求预测方法的比较分析
作者：
作者单位：
刊名：
英文刊名：
年，卷(期)：
被引用次数：任来玲， 刘朝明， REN Lailing， LIU Chaoming西南交通大学经济管理学院,成都,610031世界科技研究与发展WORLD SCI-TECH R & D2006，28(6)4次
参考文献(19条)
1. Kulendran Nada;Witt Stephen F Cointegration versus least squartes regression 2001(02)
2. Kulendran Nada;King Maxwell L Forecasting international quarterly tourist flows using error-correction and time-series models 1997
3. Chu Fonglin Forecasting Tourist Arrivals 1998
4. Goh Carey;Law Rob Modeling and forecasting tourism demand for arrivals with stochastic
nonstationary seasonality and intervention 2002
5. Margarida De Mello The forecasting ability of a cointegrated VAR demand system with endogenousvs.exogenous expenditure variable:an application to the UK imports of tourism from neighbouringcountries 2001
6. Stucka Tihomir A comparison of two econometric models(OLS and SUR) for forecasting Croatiantourism arrivals 2002
7. Cho Vincent A comparison of three different approaches to tourism arrival forecasting 2003
8. Preez Johann du;Witt Stephen F Univariate versus multivariate time series forecasting:anapplication to international tourism demand 2003
9. Gonzalez Pilar;Moral Paz Analysis of tourism trends in Spain 1996(04)
10. Qu Hailin;Lam Sophia A travel demand model for Mainland Chinese tourists to Hong Kong 1997(08)
11. Witt Stephen F;Witt Christine A Forecasting tourism demand:A review of empirical research 1995
12. Wang Chao-Hung Predicting tourism demand using fuzzy time series and hybrid grey theory 2004
13. Goh Carey;Law Rob Incorporating the rough sets theory into travel demand analysis 2003
14. Ao S I Using Fuzzy Rules for Prediction in Tousist Industry with Uncertainty 2003
15. Low Rob Back-propagation learning in improving the accuracy of neural network-based tourismdemand forecasting 2000
16. Burger C J S C;Dohnal M;Kathrada M;Law R A practitioners guide to time-series methods for tourismdemand forecastin:a case study of Durban,South Africa 2001
17. Law Rob A neural network model to forecast Japanese demand for travel to Hong Kong 1999
18. Lim Christine;McAleer Michael Time series forecasts of international travel demand for Australia2002
19. Chu Fong-Lin Forecasting tourism demand:a cubic polynomial approach 2004
相似文献(10条)
1.会议论文 葛兆帅 人工神经网络模型在旅游市场的需求--以日本赴华旅游需求预测为例 2005
本文是对我国国际旅游市场需求预测的一种尝试，以日本赴华旅游需求预测为例，选用日本总人口、日本人均GDP、中国人均GDP、日元对人民币汇率、中国对外贸易总额等5项指标因子，利用BP神经网络模型进行旅游需求预测，并与多元线性回归模型的预测结果进行了比较。结果显示，神经网络模
型在旅游需求预测中，具有更高的预测精度，为旅游市场预测提供了一种新方法。
2.学位论文 刘金敏 基于Logistic种群增长曲线模型的旅游需求预测研究 2008
旅游需求预测在宏观层面上有助于国家和地区制定具有指导意义的旅游发展战略，在微观层面上有助于旅游区确定其开发建设的方向和规模，具有重要的意义。
目前国内外学者对于旅游需求预测的研究，大多是从方法和模型的角度阐述，而较少涉及旅游预测结果如何对旅游实践起到实质性地指导作用，即如何通过旅游需求预测来提高旅游目的地的服务水平与供给能力，使需求与供给达到平衡，最大可能地提高旅游目的地的绩效水平。而且，目前研究较多的四类旅游需求预测模型（趋势外推模型，结构模型，定性模型及人工智能模型）的应用都需要在一定的旅游人数历史统计数据的基础之上进行，而新开发的或者开发处于初步阶段的旅游景区，往往缺乏大量历史统计数据，这就使得此类景区的旅游需求预测比较困难。
作为生态学的基本模型之一，Logistic种群增长曲线模型可以模拟出事物由小到大，由弱到强最终趋于稳定的S型增长趋势，而根据旅游地生命周期理论，旅游区的发展也具有类似的S型增长趋势，二者具有一定的拟合性。基于此，Logistic种群增长曲线模型可以用于进行旅游区旅游需求的预测。 本文以上海市嘉定区州桥老街历史文化休闲旅游区为例，以旅游人数为预测指标，研究了Logistic种群增长曲线模型在旅游需求预测中的应用，以期对新开发的或者开发处于初步阶段，缺乏大量历史统计数据作为预测基础的旅游景区的旅游需求预测提供一条可行的途径。实证研究证明
，Logistic种群增长曲线模型可以应用于此类旅游景区的需求预测中。此外，本文还对旅游需求预测结果如何应用于旅游区市场推广策略的制定、实施及旅游服务设施建设等实践环节进行了一定的探索。
3.期刊论文 张秀卿. ZHANG Xiu-qing 鄂尔多斯响沙湾娱乐旅游区旅游需求预测及分析 -内蒙古农业大学学报（自然科学版）2010,31(1)
旅游需求预测在旅游业的规划与经营过程中起着科学的指导作用,本文应用趋势外推模型的一元线性回归模型及结构模型中的引力模型,对鄂尔多斯响沙湾娱乐旅游区游客量进行预测,并将2种预测结果进行分析比较.得出的结论是旅游区旅游市场开发潜力巨大,具有很好的发展前景.最后根据预测结果,提出响沙湾娱乐旅游区的开发建议.
4.期刊论文 袁柳. 贾博儒. 许松林. 彭立艮 基于灰色理论的旅游需求预测算法分析 -科技创新导报2010(17)
旅游需求分析对于促进我国各地区的经济发展和文化交流都有着重要的意义.由于旅游行业的"小样本、贫信息、不确定"性, 旅游市场可以看做是一个巨大的灰色系统.本文针对旅游需求问题进行了详细的研究,提出了基于灰色系统理论的多元数学预测模型GM (1,N),合理分析诸多因素对旅游需求的综合影响,可以很好的解决此类问题.同时,以北京地区旅游需求发展为例,根据北京市旅游局等的历年旅游统计数据,确定影响游客人数的因素并对其合理量化,应用GM(1,N)模型对该地的旅游需求进行预测,并通过残差检验、后残差检验等方法对该模型进行分析,得到的预测结果比较准确,该模型应用范围广泛,可以进行推广使用.
5.期刊论文 涂雄苓. 黄月玲. TU Xiong-ling. HUANG Yue-ling 旅游需求预测的ARIMA乘积季节模型构建及实证分析——以桂林市为例 -广西财经学院学报2011,24(1)
主要研究乘积季节模型在桂林市旅游需求预测中的应用,通过对桂林市旅游人次2000年1月至2008年5月(共113个月)的月度资料来进行实证分析,采用差分方法对序列资料进行平稳化,然后进行模型定阶并佑计其参数,建立了桂林市旅游人次的乘积季节预测模型ARIMA(2,1,1)×(1,1,1)12.对模型进行诊断检验,结果表明,用该乘积季节模型对桂林市旅游人次的拟合效果较好.最后,利用此模型对桂林市2008年6月至12月旅游人次数量的趋势进行了预测,与实践有拟合较好.
6.期刊论文 陈俊. 陈兆雄. 幸林. 付学德. CHEN Jun. CHEN Zhao-xiong. XING Lin. FU Xue-de 基于BP神经网络的云南国际旅游需求预测 -昆明师范高等专科学校学报2005,27(4)
在阐述BP神经网络基本原理的基础上,建立了云南旅游需求的BP神经网络模型,并对云南旅游外汇收入及入境游客人数进行了预测和分析,在预测中首次引入了每人次旅游外汇收入的概念.分析结果表明,人工神经网络方法在旅游预测中的应用是可行的,而且是十分有效的.
7.学位论文 秦旭海 旅游需求预测方法研究及实证分析 1998
该论文围绕旅游需求预测方法研究这一主题,在预测对象的分析上,提出了旅游需求决定模型及其影响因素的作用力合力框架;在预测方案的设计上,采取了"群值逼近+点值优化+定性分析"的新思路,即首先尝试用多种预测方法对同一目标作出的多种预测结果逼近预测目标未来的多种可能状态与多种演化轨迹,再利用回归组合预测与最优化组合预测两咱组合思路配合作出优化的点值估计,最后在利用定性分析的手段对结果进行分析修正,从而在预测中作到了点面结合,提高了预测结果的准确性与可信度;在预测的实施上,设计了旅游预测专用决策支持系统(FSDSS)这样一种计算机辅助方法识别与实施的智能化预测思路,旨在提高旅游需求预测的效率;最后,将这些方案思路用于实践领域,对中国"九五"期间的旅游需求状况及2010年远景趋势作了实证性的预测与分析.
8.期刊论文 覃频频. 陆凯平. 牙韩高. QIN Pin-pin. LU Kai-ping. YA Han-gao 旅游需求预测模型研究 -铁道运输与经济2006,28(8)
建立基于月度数据的桂林漓江旅游航班、运量及游客的需求预测模型,运用指数平滑、SARIMA和Elman人工神经网络3种方法,并采用平均绝对误差(MAE)、均方百分比误差(RMSE)和平均绝对百分比误差(MAPE)评价模型预测效果.预测实例表明Elman人工神经网络模型更能反映时间序列的波动性,更适合桂林漓江旅游需求预测.
9.期刊论文 魏晓露. 么伟伟. 邸丽霞 河北省旅游服务业人才现状及需求预测 -中国外资2010(10)
近年来我省不断加大旅游人才资源开发的力度,有效地促进了旅游业的快速发展.本文首先研究了河北省近年来旅游人才资源开发的现状,并对未来的人才资源需求情况进行预测,以期为我省培养和培训旅游人才提供理论参考.
10.期刊论文 陶伟. 倪明. TAO Wei. NI Ming 中西方旅游需求预测对比研究:理论基础与模型 -旅游学刊2010,25(8) 旅游需求预测在国家旅游发展政策制定和战略规划和决策等方面有着极为重要的作用.西方学者对于旅游需求预测的研究主要侧重于旅游需求模型与实证分析.我国旅游需求预测研究主要是建立在西方研究基础上的理论引介与探讨.本文基于对中西方研究差距与差异的对比分析,讨论了旅游需求预测的难点、全球及中国旅游需求预测的各种问题,明确提出了中国旅游需求影响因素的分类方法及旅游需求预测研究的未来指向.
引证文献(4条)
1. 王纯阳. 黄福才 基于"一般到简单"建模法的入境旅游需求研究[期刊论文]-统计研究 2010(5)
2. 纪成君. 何建军 国内旅游收入预测模型的比较[期刊论文]-辽宁工程技术大学学报（自然科学版） 2010(5)
3. 王纯阳. 黄福才 中国入境旅游需求影响因素分析及预测——以外国客源市场为例[期刊论文]-商业经济与管理2009(9)
4. 杨立勋. 殷书炉 人工智能方法在旅游预测中的应用及评析[期刊论文]-统计与信息论坛 2008(4)
本文链接：http://d.wanfangdata.com.cn/Periodical_sjkjyjyfz200606016.aspx
授权使用：中南财经政法大学(zncjzf)，授权号：33d306be-f390-4595-99be-9ee60180e70f
下载时间：2011年5月17日
第２８卷第６期世界科技研究与发展Ｖｄ．２８Ｎｏ．６２００６年１２月８４—８８页ＷＯＲＬＤＳＣＩ－ＴＥＣＨＲ＆ＤＤｅｃ．２００６ｐｐ．８４—８８
旅游需求预测方法的比较分析
任来玲刘朝明
（西南交通大学经济管理学院，成都６１００３１）
摘要：需求预测是旅游计划管理的一项重要工作。旅游需求预测对于旅游地规划和建设旅游基础设施，组织产
品和提供旅游者服务是一个基础性的前期工作。然而，旅游产品的易逝性和不可贮存之特征，对旅游需求预测提
出了更高的要求。本文试图通过总结和评价自２０世纪中期以来旅游需求预测的方法，确立一个适合于中国旅游
发展的新思路。
关键词：旅游需求预测方法比较
Ｃ锄ｐ撕ｎｇＡｎａｌｙｓｉｓａｂｏｕｔＴＯ嘶锄Ｄａｍａｎｄ№ｔｉＩｌｇＭｅｔｈｏｄｓ
ＲＥＮＬａｉｌｉｎｇＬＩＵＣｈ锄叫咖
（ｓｃｈ００ｌｏｆＥ００ｎｏｍｉｃｓ＆Ｍａｎａｇｅｍｅｎｔ，ＳＯｕｔｈｗｅｓｔＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ６１００３１）
Ａｂｓ仇吣ｔ：Ｉ）ｅｒｎａｎｄｆｏｒｅｃａＳｔｉｎｇｉｓａｖｅｒｙｉｍｐＯｒｔａｎｔｗｏｒｋｆｏｒｔｏ血锄ｐｌａＩｌａｎｄｒｎａｎａｇｅｎｌｅｎｔ．Ｔｏ嘣ｓｍｄ锄ａｎｄｆ６ｒｅｃａＳｔｉｎｇｉｓ
ａｂａＳｉｃｐｒｃＩｐｈａｓｅｗｏｒｋｔｏｔｏｕ＾ｓｍｄｅＳｔｉｍｔｉｏｎｐｒｏｇｒａｍｍｅｄ，ｔｏｕｒｉｓｍｉｎｆｒａＳｔｒｕｃｔｕｒｅｂｕｉｌｔ，ｐｒｏｄｕｃｔｓｏＩｇａｎｉｚｅｄａｒｌｄｓｅｒｖｉ（）ｅｓｏｆ—
ｆｅｒｅｄｆｏｒｔ０１一ｓｔＳ．Ｈ讲Ｍ船，ｉｔｎｅｅｄｓｍｏｒｅｐｒｅ＝ｃｉＳｅｆｃ帐瑚ｓｔｉｎｇｒｅｓｕｌｔｓｆｏｆｔ０１ｌｒｉｓｍｄ哪ａｎｄ（ｈａｎｅｌｓｅｂｅｃａｕｓｅｔｃｌｕｄｓｍｐｒｏｄ—
ｕｃｔＳａｒｅｐｅｄｓｈａｂｌｅａｎｄｉｍｐｏｓＳｉｂｌｅｔｏｂｅｓｔｏｃｋｐｉｌｅｄ．Ｔｈｉｓｐａｐｅｒｔｄｅｓｔｏｓ哪ｕｐａｎｄｅｖｄｕａｔｅｓｏｍｅｆ㈣ｓｔｉｎｇｍｅｔｋ）ｄｓｔｈａｔ
ｈａｖｅｂｅｅｎｄｅｖｅ＿ｌｏｐｅｄＳｉｎｃｅｔｈｅｍｉｄｏｆ２０ｔｈｃｅｎｔｕｒｙａｎｄｅｓｔａｂｌｉｓｈｅｓａｎｅｗｉｄｅａｔｈａｔ、衍Ｕｂｅｆｉｔ｛ｏｆＣｈｉｎｅｓｅｔ叫ｒｉｓｍｄｅｖｅＩｏｐ—
ｍｅｎｔ．
１（ｅｙｗｏｒｔｌｓ：ｔｏｕｄｓｍ，ｄ伽ｎ（】ｆｏｒｅｃａＳｔ，ｍｅｔｋ）ｄｏｆ００ｍｐ撕ｎｇ’
引言旅游需求预测开始于２０世纪６０年代【２Ｊ，但预
计划是人的本能。也是经济活动最重要的管理测方法的快速发展却是在２０世纪８０年代。在２０职能之一。计划从流程角度看，就是在了解现状的世纪９０年代之前，一般采用的是传统的定量定性研前提下，对未来发生的事件进行预测。对于一个决究方法，如计量经济方法，时间序列方法等；之后，人策者来说，为了使风险或损失最小化，或者乐观地工智能方法包括神经网络模型、粗集理论和灰色理说，为了实现成功的最大化可能，他必须为将来做好论等方法引入对旅游需求的预测研究。如图１所计划或必须预测…。示，在１４９篇旅游需求预测的文献中，１９８０年之前
的只有９篇，而进入２１世纪后，仅五年时间文献就
旅游业作为一个在战后发展起来的新兴产业，接近２０世纪９０年代的文献总数。
不论在发达国家还是发展中国家都获得了快速发
展。尤其对于中国这样的发展中大国，旅游业已经６０
成长为国民经济的主导产业之一。然而，随着旅游５０幽
业的蓬勃发展，与之形成反差的是旅游管理质量和
水平的落后。其中一个关键性的衡量指标，就是旅籁４０
摆３０
游预测与发达国家相比还处于学习阶段。由于旅游２０
产品的易逝性和不可贮存等特点，必然对旅游的预ｌＯ
测工作提出了更高的要求。因此，本文从文献分析Ｏ一．一．
１９６０－１９７０．藤１９８０－１９９０－蕊２０００－蘸
的角度首先对旅游需求预测的方法进行评述，并通１９６９１９７９１９８９１９９９２００６（２）
年份过各种方法的比较，得出了各种需求预测方法的优
势和局限性。图１旅游需求预测方法文献
第８４页万 方数据
２００６年１２月世界科技研究与发展管理学１旅游需求预测传统方法的比较平滑法、简单线性回归时间序列法、正弦波动时间序
列非线性回归模型以及季节性一非季节性自回归移
评价预测结果的标准一般归结为预测的准确动平均结合模型。结果表明，虽然预测的准确性随性，预测成本的高低和预测方法的可行性。自国家的不同而有所不同，但总的来说在预测国际旅Ｍａｒｔｉｎ＆Ｗｉｔｔｌ３Ｊ首次提出了旅游预测准确性问题以游需求方面季节性一非季节性自回归移动平均结合来，许多学者是通过预测值与实际值之间的误差来模型是最准确的。研究还发现，根据塞尔不等式系判断和衡量。为此通常采用的方法是Ｍ越）Ｅ（平均数的值判断，季节性一非季节性自回归移动平均结绝对误差百分比），ＭＳＥ（均方误），ＲＭＳＥ（平均误差合模型优于其他的预测方法＂Ｊ。
平方根），以及塞尔（Ｔｈｅｉｌ’ｓＵ∞ｅｆｆｉｃｉｅｎｔ）的Ｕ系数ＮＫｕｌｅｎｄｒａｎ，Ｍ踊ⅣｅｎＬＫｉｎｇ于１９９７年使用比较。误差修正模型与时间序列模型来预测国际旅游的季
ＴｉｈｏｍｉｒＳｔｕｃｋａ利用计量经济模型ｏＬＳ（０ｒｄｉ－度流动，文章通过四个主要旅游市场，美国、日本、英ｎａＪｋ∞ｔＳｑｕａｒｅ）、普通最小二乘法和吼瓜（Ｓｅｅｍ—国与新西兰流向澳大利亚的旅游者季度流动预测来ｉｎｇｌｙＵｎｒｅｌａｔｅｄＲｅｇｒｅＳＳｉ。ｎ）表面非相关回归来预测比较预测模型。这些模型包括误差修正模型、自回克罗地亚的旅游需求，并比较了这两种方法。这些归模型、自回归移动平均结合模型、基础的结构模型模型表明克罗地亚的旅游人数是客源国真实的国内与时间序列回归模型。主要结论是：与时间序列模生产总值和实际汇价的函数。通过预测准确性分型相比，误差修正模型的效果最差旧Ｊ。
析，ＳＵＲ模型比ＯＬＳ模型更准确，更有效果ｌ４｜。ＮａｄａＫｕｌ锄ｄｒａｎ，ＳｔｅｐｈｅｎＦｗｉｔｔ解释说国际旅
ＭａｒｇａｒｉｄａＤｅＭｅｌｌｏ在２００１年使用Ｓｉｍｓ’ｓ游需求的最小平方回归模型被证明比无变化模型ＶＡＲ（、飞ｃｔｏｒＡｕｔｏｒｅｇｒｅＳＳｉｏｎ）模型，作为Ｄｅａｔｉｏｎ与（天真法１）更不准确。文章的研究结果认为采用最Ｍｕｅｌｌｂａｕｅｒ’ｓＡＩＤＳ（～ｍｏｓｔＩｄｅａｌＤｅｍａｎｄＳｙｓｔｅｍ）新的计量模型比最小平方回归模型更准确，但是这方法的替代，分析了旅游市场份额、旅游价格与英国些新的计量模型仍然没有无变化模型与时间序列模旅游者预算之间的长期关系。通过受限制的集成型好［９｜。
ＶＡＲ模型分析英国旅游者的长期旅游需求行为与ＰｉｌａｒＧｏｎｚａｌｅｚ，ＰａｚＭｏｒａｌ认为估计的结构模型目的地市场份额的预测，其结论是：集成向量自回归预测结果比两个动态模型（转化函数与误差修正模模型是一个相当准确的旅游需求预测方法【５Ｊ。型）更准确【１０Ｊ。
Ｃ打ｅｙＧｏｈ，ＲｏｂＬａｗ利用香港的十大客源国的ＪｏｈａｎｎｄｕＰｒｅｅｚ，ＳｔｅｐｈｅｎＦＷｉｔｔ的研究结果表数据进行模型建立与评价，并选用了１０个时间序列明单变量状态空间模型最好，单变量自回归移动平模型，分别是天真方法（天真法１、天真法２）、移动平均结合模型次之，多变量状态空间模型最差ｕ１｜。均法（３个月移动平均法、１２个月移动平均法）、指数ＣｈｒｉｓｔｉｎｅＬｉｍ比较了几种指数平滑模型，并用平滑法（简单指数平滑法、霍特指数平滑法、温特指各种指数平滑模型来估计１９７５～１９９９从香港，马来数平滑法）、自回归移动平均结合法（ＡＲＩｍ）、融合西亚与新加坡到澳大利亚的季度旅游到达人数。均季节性的自回归移动平均结合法（跚ｔＩＭＡ：Ｍｕｌｔｉ—方误根用来检验预测的准确性。实证结果认为霍特
一温特加法模型与多元季节模型比单一的、双倍的、
ｐｌｉｃａｔｉｖｅＳｅａＳＯｎａｌＡＲＩＭＡ）、带干扰分析的自回归移霍特一温特非季节性指数平滑模型预测准确¨２｜。动平均结合法。并且用Ｔｈｅｉｌ’ｓｕ、ＭＡＰＥ、ＭＳＥ、从以上的研究可以看出，定量经济方法是最经ＲＭＳＰＥ（ＲｏＯｔＭｅａｎＳｑｕａｒｅＰｅｒｃｅｎｔａｇｅＥｎ℃ｒ），常使用的旅游需求预测方法。而在定量经济方法ＲＭＳＥ（Ｒ（）。ｔＭｅａｎＳｑｕａｒｅＥｒｒｏｒ），ＭＡＤ（ＭｅａｎＡｂＳｏ—中，更普遍的是时间序列方法。在用时间序列方法ｌｕｔｅⅨｖｉａｔｉｏｎ）对预测的准确性进行了检验。在有进行短期预测时，精度一般比较高。尤其是时间序干扰因素的情况下，ＳＡＲＩＭＡ方法预测的准确度最列方法中考虑了季节性因素的方法，如温特线性和高［６Ｊ。季节性指数平滑法，季节性自回归移动平均结合模
楚方林利用６种预测技术来预测亚太地区国家型是预测方法中的佼佼者，一般情况下他们都能取的旅游需求，天真ｌ法、天真２法、霍特一温特指数得理想的预测效果。当然时间序列方法也有很明显删ｊ．酉０ｂｅＳｃｉ．ｃｏｍ万 方数据第８５页
管理学世界科技研究与发展２００６年１２月的缺点，因为时间序列模型仅是依据过去的数据对ＣⅡｅｙＧｏｈ＆Ｒｏｂｈｗ认为粗集理论可以从原未来做出判断，从而没有考虑旅游者产生旅游需求始的混乱的数据中找到有用的信息并从决定规则的的原因以及各种干扰因素，所以时间序列模型不利数据中发现知识。他们用香港的１０大客源国１９８５于旅游供给者进行深层次的需求分析，也不能为旅年到２０００年的数据来检验。结论是粗集理论在用游管理者与旅游企业经营者带来更多的信息。来预测旅游需求时的准确率可以达到８７．２％【”Ｊ。２人工智能方法的比较王朝宏使用模糊时间序列与混合灰色理论来预
测旅游需求，实证结果表明模糊时间序列方法最适
现代旅游预测更多地用到人工智能方法。Ｒｏｂ－合预测香港到台湾的需求，灰色理论比较适合香港Ｌａｗ，ＮｏｍａｎＡｕ利用神经网络模型预测到香港旅与美国到台湾的旅游需求，而Ｍａｒｋｏｖ改进模型最游的日本游客需求，这也是神经网络进人旅游研究适合德国到台湾的旅游需求Ｈ８｜。
后的第一篇用来预测旅游需求的文献。实证表明使１９９２年Ｍａｚａｎｅｃ使用神经网络模型来细分旅用神经网络预测日本游客到香港旅游的人数比多元游市场，这可以说是人工智能技术在旅游学中的初回归模型、天真模型、移动平均模型与指数平滑模型次应用。１９９９年神经网络模型用来预测旅游需求。更好［１３｜。这之后粗集理论、模糊理论与灰色理论也运用到了
ＣＪＳＣＢｕｒｇｅｒ等用一系列的时间序列预测模旅游业，学者专家的探索不断丰富了旅游需求预测型来预测南非德班的旅游需求。这些方法包括：天方法。从以上研究者的结论来看，人工神经网络和真模型，移动平均法，分解模型，单一指数平滑法，自传统的定量研究方法相比，预测的准确性更高一些。回归移动平均结合法，多元回归模型，遗传回归模型但是，人工智能技术也有缺点：第一，人工智能技术与神经网络法。结果表明神经网络的预测效果最需要大量的数据，但在旅游需求预测中这并不总是好［１４｜。能够实现的；第二，人工智能技术的解释性不强，无
ｖｉｎｃｅｎｔＣｈｏ用３种不同的时间序列方法来预助于旅游管理者分析解决实际问题。
测旅游需求的准确性，这３种方法分别是指数平滑
法、单变量自回归移动平均结合法以及神经网络方３预测方法的实证检验
法，并且用平均误差平方根（ＲＭＳＥ）与平均绝对误通过以上对旅游需求预测方法的比较，我们可差百分比（１、，ＩＡＰＥ）进行了检验，最后得出的结论是知就传统的预测方法来说，带有季节性分析的指数在这三种方法中，人工神经网络的预测结果是最准平滑法与自回归移动平均结合法是准确性较高的旅确的［３｜。游需求预测方法；而对于人工智能方法，虽然在旅游
Ｒ．ｏｂＬａｗ的研究使用神经网络模型来预测旅游需求预测方面仍然是探索性的应用，但通过一些研需求，实证结果表明使用向后繁衍神经网络比回归究者的结论可以看出，神经网络等人工智能方法比模型，时间序列模型以及向前推进神经网络模型预传统的时间序列方法以及因果关系分析方法要准测准确性更好【１５Ｊ。确。但由于我国的旅游起步比较晚，旅游业发展虽
Ｐａｔｔｉｅ与Ｓｎｙｄｅｒ宣布，通过实证检验，使用神经然很快，但旅游信息管理工作开展的却比较迟，如我网络预测非线性的旅游者的行为能比线性趋势外推们国家真正完整的旅游数据资料统计却是从１９８９预测方法、指数平滑法、自回归移动平均结合法以及年开始的。针对人工智能方法需要大量数据的特天真模型得到较低的平均绝对误差百分比，较低的征，就我国目前的现状来说，我国的旅游需求预测不累计相关绝对误差，较低的平均误差平方根¨５｜。太适合采用人工智能方法。所以我们选用了温特指
Ｓ，Ｉ．Ａｏ在２００３年利用模糊理论来预测具有不数平滑法与自回归移动平均结合方法对我国的四大确定性的旅游业。模型混合了计量自回归模型与模主要客源国来华旅游人数进行预测。
糊模型，在传统计量自回归模型的基础上，试图采用在我国的十大客源国中，日本、韩国、俄罗斯与非参数的模糊模型来预测旅游需求人数，因为它们美国的增长趋势比较明显，波动也比较大，所以我们之间的关系是高度非线性的并且是动态的。作者认选择这四个客源国进行了需求预测分析。我们用为混合回归——模糊模型作为一个整体来研究旅游１９８９至２００４年日本、俄罗斯与美国来华的月度旅市场，其预测结果是比较准确的¨６｜。游人数进行需求预测。由于韩国的旅游人数统计始第８６页万 方数据
２００６年１２月世界科技研究与发展管理学于１９９５年，所以韩国的数据采样是１９９５年至２００４如在预测日本与美国的来华旅游人数时，自回归移年的月度数据。预测结果见表１。动平均结合模型的预测精度要高于温特指数平滑模
表１两种方法预测精度比较型；而在预测韩国与俄罗斯的来华旅游人数时，温特
温特指数自回归移动
兰塑堡型：兰塑笙盒堡型指数平滑模型的预测效果要优于自回归移动平均结
ＲＭＳＥＭＡＰＥＲＭＳＥＭＡＰＥ合模型。
４结论
将预测的各种方法引入旅游业既有其独到的优
势也有其不足。在对旅游需求预测方法进行实证检
从表１可以看出，温特指数平滑模型与自回归验时，由于研究对象不同，得出的结论不尽相同。如移动平均结合模型都可以获得比较好的预测结果。表２所示，在旅游需求预测的准确性方面，传统的方但对于不同的预测对象，这两种方法还是各有千秋，法显示了各自的特点。
表２旅游需求预测方法准确性比较
ＭｉｃｈａｅｌＤＧ．ｅｔａｌ１９７５××Ｕ相等ＧｅｒａｒｄＳＤ１９９５××Ⅳ【ＡＰＥＡＲＩＭＡ（Ｕ）ＰｉｌａｒＧ．ｅｔａｌ１９９５×××ＲＭＳＥ洲
ＰｉｌａｒＧ．ｅｔａｌ１９９６×ＳｎｖＩＨＯＩｉｎＱｕ，ｅｔａｌ１９９７×
ＣｈｒｉｓｔｉｎｅＬｉｍ１９９７××
ＮＫｕｌｅｎｄｒａｎ．ｅｔａｌ１９９７××××ｕ，膦怒徼；ｓ）
Ｆｏｎｇ—ＬｌｎＣｈｕ１９９８××Ｘ×××ＵＡＲＩＭＡ（Ｕ）ＲｏｂＬａｗ．ｅｔａ１１９９９×××ＮＮ～”ＬＰＥＮＮＲｏｂＬａｗ２０００×××××㈣毓Ｂｐ“ＭＡＰＥ。ＲＭＳＰＥ。……１ＮＮＭａｎｕｅｌＶ．ｅｔａｌ２０００×ＥＲＲＯＲ
ＣｈｒｉｓｔｉｎｅＬｉｍ．ｅｔａｌ２０００××瞅；Ｙ
ＣｈｒｉｓｔｉｎｅＬｉｍ．ｅｔａＩ２００１×心
Ｃ¨ｓｔｉｎｅＬｉｍ．ｅｔａ１２００１×ＲＭＳＥ
Ｋｅ、，ｉｎＧｒｅ∞ｉｄｇｅ２００１×
ＮａｄａＫｕｌｅｎｄｒａｎ．ｅｔａｌ２００１××××××ＥＣＭ
ＣＪＳＣＢｕｒｇｅｒ，ｅｔａ１２００１×××××××＾１ＡＰＥＮＮＴｉｈｏｍｉｒｓｔｕｃｋａ２００２×ＳＵＲＳＥＳＵＲＣｈｒｉＳｔｉｎｅＬｉｍ．ｅｔａ１２００２××ＲＭＳＥＡＲＩＭＡ（Ｕ）Ｃ矾ｙ（ｂｈ，ＲｏｂＬａｗ２００２×××××ＡＲＩＭＡ（Ｍ）ＡＫｈａｌｉｋＳａｌｍａｎ２００３×
ＨａｊｙａｎＳ０ｎｇ，ｅｔａｌ２００３ｘｘｘ×ｎ伊眦贼１“ＲＭ［ＳＰＥ
ＪｏｈａｎｎｄｕＰ。ｅｔａｌ２００３×××ＬＳａｒａｔｈＤｉｖｉｓｅｋｅｒａ２００３×Ⅱ黝Ｍ’Ｌ）
ＪｏｈａｍｄｕＰ，ｅｔａＩ２００３×××ＡＲＩＭＡＶｉｎｃｅｎｔＣｈ０２００３×××ＮＮＪａｅＨＫｉｍ，ｅｔａ１２００５×××
注：ＮＩ（ＮａｉｖｅＩ），ＮⅡ（ＮａｉｖｅⅡ），Ａｕ（ＡｕｔｏｒｅｇｒｅＳｓ．ｏｎ），ＢＪ（Ｕ）：（Ｕｎｉ嘣ａｂｌｅＡＲＩＭＡ），ＢＪ（Ｍ）：（ＭｕｌｔｉｖａｒｉａｂｌｅＡＲＩＭＡ）。Ｌ（Ｌｉｎｅａｒ∞ｄｅｌ），ＬＬ（Ｌ０９Ｌｉｎｅａｒｍｏｄｅｌ），ＥＣＭ（ＥｒｍｒＧｏｒｒｅｃｔｉｍＭｏｄｅｌ），ＳＴＭ（ｓｔｒｕｃｔｕａｌＴｉｍｅＭ。ｄｄ），ＮＮ（ＮｅｕｒａｌＮｅｔｗｏｒｋｍｏｄｅｌ），ｓＵＲ（ＳｅｅｍｉｎｇｌｙＵｎｒｅＩａｔｅｄＲｅｇｒｅ｝强ｉｏｎ），ｎ甲（Ｔｉｍｅｖａｒｙ；ｎｇｐａ阳ｍｅｔｅｒ），ＴＦ（Ｔｒａｎｓｆｅｒｆｕｎｃｔｉｏｎ），Ｕ（丁ｈｅｉｌ’ｓＵＣｏｅｆｆｉｃｉ∞ｔ）。ＭＡＰＥ（Ｍ锄ＡｂｄｕｔｅＰｅｒｃｅｎｔａｇｅＥｒｍｒ），础ⅥＳＥ（Ｒ００ｔＭｅａｎｓｑｕａｒｅＥｒ∞ｒ），ＭＡＤ（ＭｅａｎＡｂ猷ｕｔｅａ１），ＢｐＮＮ（Ｂａｃｋ—ｐｒｏ陴ｔｉｏｎＮｅｕｒａｌＮｅｔｗｏｒｋ），Ｓ（Ｓ｝１０ｒｔ～ｔｅｍ），Ｌ（１０ｆ】ｇ—ｔｅｎｎ），Ｍ（Ｍｅｄｉ啪一ｔｅｎｎ），ｓＥ（ｓｔａｎ—Ｄｅｖｉａｔｉｏｎ），ＭＳＥ（ＭｅａｌｌｓｑｕａｒｅＥｒｒｏｒ），ＲＭＳＰＥ（Ｒ００ｔＭｅａｎＳｑｕａｒｅＰｅｒｃｅｎｔａｇｅＥｒｒｏｒ），ＡＤＦ（Ａｕｇｍｅｎｔｅｄ肼ｃｋｅｙ一刚ｌｅｒ）），ⅢｂＹ（Ｈｙｌｌｅｂｅｒｇ，ｅｔ
ｄａｒｄＥｒｍｒ）
一种预测模型要根据研究的需要来决定。如果自变量的值是已知的或是能够准确估计的，那么神叫叫训．∥０６伤以．∞７７ｚ万 方数据第８７页
管理学世界科技研究与发展２００６年１２月经网络的预测结果最准确。当自变量受政策影响需
要估计时，回归模型会更有用；如果自变量不能够得
到，时间序列模型预测效果最好。
在选取预测方法时，还要考虑预测的精度与成
本之间的关系。例如采用立方多项法进行旅游需求
预测，表明立方多项模型的平均绝对误差百分比要
高于正弦波动非线性回归模型与季节性——非季节
性自回归移动平均结合模型。从精确度来说，立方
多项模型并不是最理想的，但是因为立方多项模型
内在的线性特征，它具有低成本的优势［１９】。
预测的目的绝不是为了单纯的预测，预测是用
来提高管理水平与绩效的。而在目前的旅游需求预
测文献中，主要是从方法的角度来研究，基本上没有
涉及到旅游预测方法在实践中的作用，也没有提到
通过旅游需求预测，如何提高旅游目的地的服务水
平与供给能力，使需求与供给达到平衡，最大可能地
提高旅游目的地的绩效水平。而这一点却是旅游目
的地最关心的，也是旅游需求预测的最终目的。
参考文献
［１］ＷｉｔｔＳｔｅｐｈｅｎＦ，ｗｉｔｔＣ¨ｓｔｉｎｅＡ．Ｆ研ｅｃａＳｔ魄ｔｏｕｒｉｓｒｎｄａｍｎｄ：Ａ
ｒｅｖｉｅｗｏｆｅｍｐ矾ｃａｌｒｅｓｅａｒｃｈ［Ｊ］．ＩｎｔｅｍａｔｉｏｎａｌＪｏｕＨ】ｄ０ｆＦｂｒｅｃａｓｔ．
ｉｎｇ，１９９Ｓ，¨：４４７～４７５
［２］ＱｕＨａｉｌｉｎ，乙眦１Ｓｂｐｈｉａ．ＡｔｒａｖｅｌｄｅｎｌａｎｄｍｏｄｅｌｆｏｒＭａｉｎｌａｎｄＣｈｉ—
ｎｅｓｅｔｏｕｒｉｓｔｓｔｏＨｏｎｇＫｏｎｇ［Ｊ］．ＴｏＩｌｒｉ锄Ｍａｎａｇｅｒｎ饥ｔ，１９９７，１８
（８）：５９３～５９７
【３］ａ的Ｖｉｎｃ朗ｔ．Ａｃｏｍｐａｒ；ｓｏｎｏｆｔｈｒｅｅｄ’ｆｆｅｒ饥ｔ印ｐｒｏａｃｈｅｓｔｏｔｏｕｒｉ蛐
删训ｆｏｒｅｃａｓｔ吨［Ｊ］．Ｔｏ嘶锄Ｍａｌｌａｇ锄ｅｎｔ，２００３，２４：３２３～３３０
［４］ＳｎｌｃｋａＴｉＩｌ鲫ｉｒ．Ａｃｏｍｐ翻３０ｎｏｆ咖ｅｃｏｒ砌ｅ翻ｃｍｏｄｅｌｓ（０ＬＳａｎｄ
ＳＵＲ）ｆｏｒｆｏｒｅｃａｓｔ堍Ｃ瑚ｔｉａｌｌｔｏ嘶蛐删ｖａＪｓ（ＷｏｒｋｉｌｌｇＰａｐｅｒ）
［Ｚ］．２００２
［５］Ｍａｒｇ捌ｄａｄ咖ｄＤｅＭｅｌｌｏ．Ｔｈｅｆｏｒｅｃｊ皓ｔｉｎｇａｂｉｌｉ够ｏｆａｃｏｉｍｅｇｒａｔｅｄｖＡＲ
ｓｙｓｔｅｎｌ、撕ｔｈｅｒｌｄｃｇｅｎｏ嘴ｖｓ．ｅ）。ｏｇｅ∞ｕｓｅ珥瑚ｄｌｔｕｒｅｖａｒｉ—
ａｂｌｅ：ａ１１印ｐｌｌｃａｔｉｏｎｔｏｔｈｅＵＫｉｍｐｏｒｔｓ０ｆｔｏ—ｓｍｆ埘ｎｎｅｉｇｈｂｏｕｒ．
【６］Ｇｏｈ呻，Ｌａｗｉｎｇ００ｕｎｔ—ｅｓ（ｗｏｒｋｉｎｇＰａｐｅｒ）［ｚ］．２００１
Ｒ０ｂ．ＭｃＨｄｅｌｉｎｇａｎｄｆｏｒｅｃａｓｔｉｎｇｔｏｌ】ｒｉｓｍｄｅｍａｎｄｆ。ｒ
第８８页万 方数据ａｒｒｉ、柚ｓｗｉｔｈ卧０ｃｈａｓｔｉｃｎｏｎｓｔａｔｉｏｎａｒｙｓｅ脚ｎａｌｉｔｙａｎｄｉｎｔｅｒｖｅｎｔｉｏｎ［Ｊ］．Ｔｏ嘶锄Ｍａｎａｇｅｍｅｎｔ，２００２，２３：４９９～５１０［７］ｃｈｕＦｏｎ９１ｉｎ．Ｆｏｒｅｃ烈吨ＴｏｕｒｉｓｔＡｒｒｉ砌ｓ［Ｊ］．Ｊ０１】ｎｌａｌｏｆＴｒａｖｅｌＲｅ—ｓｅａｒｃｈ，１９９８。３６：７９～８４［８］Ｋｕｌ朗ｄｒａｎＮａｄａ，Ｋｉｔ】ｇＭａｘｗｅｌｌＬ．Ｆ（１ｒｅｃａｓｔｉｎｇｉｍｅｎｌａｔｉｏｎａｌｑｕａｒ—ｔｅｒｌｙ屯ｏｕｒｉｓｔｆｂｗｓｕｓｌｎｇｅｒｒｏｒ．ｏ。ｒｒｅｃｔｉｏｎａｎｄｔｉｍｅ－ｓｅｒｉ罄ｍ。ｄｅｋ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎ＿ａｌｏｆＦｏｒｅｃ勰ｔ吨，１９９７，１３：３１９～３２７［９］Ｋｄｅｎｄｒ锄Ｎａｄａ，ｗｎｓｔ印ｈ锄Ｆ．ｃｏｉｎｔｅｇｒａｔ妇ｌｖｅｒｓｕｓｌ铭ｓｔ璋即ｓｓｉｏｎ［Ｊ］．№ｌｓｓｑｕａｎｅｓｏｆＴ０ｕｒｉ∞Ｒｅ９眦ｈ，２００１，２８（２）：２９１～３１１［１０］Ｇｏｎｚａｌ铭ｐｉｌａｒ，ＭｏｒａｌＰａｚ．ＡｎａｌｙＳｉｓｏｆｔｏｕｒｉｓｍｔｒ饥ｄｓｉｎｓｐａｉｎ［Ｊ］．ＡｌｍａｌＳ０ｆＴｍｌｒｉ鲫１Ｒ目ｅａｒｃｈ，１９９６，２３（４）：７３９～７５４［１１］Ｐｒｅ既Ｊｏｈａｎｎｄｕ，ｗｉｔｔｓｔｅｐｈｅｎＦ．Ｕ“ｖａ—ａｔｅｖｅｒｓｕｓｍｕｌｔｉ、ｗ’ｉａｔｅｔ．蚰ｅＳｅｒｉｅｓｆＧ盹ｃ弱ｔｉｎｇ：ａＪｌａｐｐｌｉｃａｔｉｏｎｔｏｉｎｔｅｍｔｉｏｎａｌｔｏｕｒｉｓｍｄｅ－ｒｒｍｄ［Ｊ］．Ｉｎｔ伽ｔｉｏｌｌａｌＪａｕｎｌａｌｏｆＦｏｆｅｃ挝ｉｎｇ，２００３，１９：４３５～４５１［１２］Ｌｈｃ¨ｓｔｉｎｅ，ＭｃＡＪｅ口Ｍｉｃ｜１ａｅｌ．ＴｉｍｅＳｅ—ｅｓｆｏｒｅｃａＳｔｓｏｆｉｎｔｅｍａ—ｔｉｏｎａｌ℃ｒａ、，ｄｄ锄ｎｄｆｏｒＡｕｓｔｒａｌｉａ［Ｊ］．Ｔ。ｕｒｉ鲫１Ｍａｎａｇｅｒｎｅｎｔ，２００２。２３：３８９～３９６Ｒ０ｂ．ＡｎｅｕｒａＩｎｅｔｗｏｒｋｍ。ｄｅｌｔ０ｆｏｒｅｃａｓｔＪａｐａｎｅｓｅｄｅｍ曲ｄｆｏｒｔｒａｖｅｌｔｏＨｏｌｌｇＫｏｎｇ［Ｊ］．Ｔ０ｕｒｉｓｎｌＭａｎａｇ锄ｅｎｔ，１９９９，２０：８９～９７ｃＪｓｃ，肪ｈ１１ａｌＭ，ＫａｔｈｒａｄａＭ。ＬａｗＲ．Ａｐｒａｃｔｉｔｉｏｎｅｒｓｇｕｉｄｅｔｏｔｉｍｅ．ｓｅｒｉ鹤ｍｅｔ｝】ｏｄｓｆ曲ｔｏｕｒｉｓｍｄ咖ｄｆｏｒｅｃａｓｔｉｎ：ａｃａｓｅｓｔｕｄｙｏｆＤｕｒｌⅪｎ，ｓｏｕｔＩｌＡ俪ｃａ［Ｊ］．Ｔｏ面锄Ｍａｎａｇｅｎｌｅｎｔ，２００１。２２：４０３～４０９Ｒｏｂ．Ｂ黾ｃｋ—ｐｒｏｐａｇａｔｉｏｎｌｅａｒｎ讧毽ｉｎｉｍｐ∞ｖｉｎｇｔｈｅａｃｃｕｒａｃｙｏｆｎｅｕｒａｌｎｅｔｗｏｒｋ—ｂａｓｅｄｔｏｕｒｉ锄ｄｅｎｌａｎｄｆｏｒｅｃａｓｔｉｎｇ［Ｊ］．ＴｏｕｒｉｓｍＭａｍｇｅｎｌｅｎｔ，２０００，２１：３３１～３４０ｓＩ．ｕｓ魄ＦｕｚｚｙＲｕｌｅｓｆｏｒＰｒｅｄｉｃｔｉｏｎｉｎＴｏｕｓｉｓｔＩｎｄｕＳｔｒｙｗｉｔｈｕｎｃｅｒｔａｉｎｔｙ［Ｒ］．ＰｆＤｃｅｅ出ｎｇｏｆｔｈｅＦｏｕｎｈＩｎｔｅｍａｔｊｏ蒯跏Ｔ）ｐ０一ｓｉｕｒｎｏｎＵｎｃｅｒｔａｉｎ秽Ｍ０ｄｅｌｉｎｇａｎｄＡ１１ａｌｙｓｉｓ（ＩＳＩＭＡ’０３），２００３Ｃａｒｅｙ，ＬａｗＲｏｂ．Ｉｎ００ｒｐｏｒａｔｉｎｇｄｌｅｒｏｕｇｈｓｅｔｓｔｈｅｏｒｙｉｎｔｏｔｒａｖｅｌｄｅｒｎａｌｌｄａｎａ】ｙＳｉｓ［Ｊ］．Ｔ０ｕｒｉ锄Ｍａｒｌａｇｅｎｌｅｎｔ，２００３，２４：５１１～５１７ＣｈａｍＨｕｒ】ｇ．Ｐｒｅｄｉｃｔｉｎｇｔｏ嘣ｓｍｄｅｎｍｄｕｓｉ唱ｆｕｚｚｙｔｉｍｅｓｅ—ｒｉｅｓａｎｄｈｙｂｒｉｄｇｒｅｙｔｈｅ０巧［Ｊ］．Ｔｏｕ＾ＳｒｎＭａｒ耀ｅｒｎｅｎｔ，２００４，２５：３６７～３７０Ｆｏｎｇ．Ｌｉｎ，Ｆ０ｒｅｃ黜岖ｔｏ一锄ｄｅｆｎａｎｄ：ａｃｕｂｉｃｐｏｌｙｎｏｍｉａｌａｐ・ｐｒｏａｃｈ［Ｊ］＇Ｔｏｕｒｉ锄Ｍａｌｌａｇｅｒｎ∞ｔ，２００４，２５：２０９～２１８（责任编辑：张勐）删，．彰∞份以．∞７７ｚ［１３］Ｌａｗ［１４］Ｂｕ瑁ｅｒ［１５］ｋ）ｗ［１６］Ａｏ［１７］Ｇｏｈ［１８］ｍｍｇ［１９］ｃｈｕ
旅游需求预测方法的比较分析
作者：
作者单位：
刊名：
英文刊名：
年，卷(期)：
被引用次数：任来玲， 刘朝明， REN Lailing， LIU Chaoming西南交通大学经济管理学院,成都,610031世界科技研究与发展WORLD SCI-TECH R & D2006，28(6)4次
参考文献(19条)
1. Kulendran Nada;Witt Stephen F Cointegration versus least squartes regression 2001(02)
2. Kulendran Nada;King Maxwell L Forecasting international quarterly tourist flows using error-correction and time-series models 1997
3. Chu Fonglin Forecasting Tourist Arrivals 1998
4. Goh Carey;Law Rob Modeling and forecasting tourism demand for arrivals with stochastic
nonstationary seasonality and intervention 2002
5. Margarida De Mello The forecasting ability of a cointegrated VAR demand system with endogenousvs.exogenous expenditure variable:an application to the UK imports of tourism from neighbouringcountries 2001
6. Stucka Tihomir A comparison of two econometric models(OLS and SUR) for forecasting Croatiantourism arrivals 2002
7. Cho Vincent A comparison of three different approaches to tourism arrival forecasting 2003
8. Preez Johann du;Witt Stephen F Univariate versus multivariate time series forecasting:anapplication to international tourism demand 2003
9. Gonzalez Pilar;Moral Paz Analysis of tourism trends in Spain 1996(04)
10. Qu Hailin;Lam Sophia A travel demand model for Mainland Chinese tourists to Hong Kong 1997(08)
11. Witt Stephen F;Witt Christine A Forecasting tourism demand:A review of empirical research 1995
12. Wang Chao-Hung Predicting tourism demand using fuzzy time series and hybrid grey theory 2004
13. Goh Carey;Law Rob Incorporating the rough sets theory into travel demand analysis 2003
14. Ao S I Using Fuzzy Rules for Prediction in Tousist Industry with Uncertainty 2003
15. Low Rob Back-propagation learning in improving the accuracy of neural network-based tourismdemand forecasting 2000
16. Burger C J S C;Dohnal M;Kathrada M;Law R A practitioners guide to time-series methods for tourismdemand forecastin:a case study of Durban,South Africa 2001
17. Law Rob A neural network model to forecast Japanese demand for travel to Hong Kong 1999
18. Lim Christine;McAleer Michael Time series forecasts of international travel demand for Australia2002
19. Chu Fong-Lin Forecasting tourism demand:a cubic polynomial approach 2004
相似文献(10条)
1.会议论文 葛兆帅 人工神经网络模型在旅游市场的需求--以日本赴华旅游需求预测为例 2005
本文是对我国国际旅游市场需求预测的一种尝试，以日本赴华旅游需求预测为例，选用日本总人口、日本人均GDP、中国人均GDP、日元对人民币汇率、中国对外贸易总额等5项指标因子，利用BP神经网络模型进行旅游需求预测，并与多元线性回归模型的预测结果进行了比较。结果显示，神经网络模
型在旅游需求预测中，具有更高的预测精度，为旅游市场预测提供了一种新方法。
2.学位论文 刘金敏 基于Logistic种群增长曲线模型的旅游需求预测研究 2008
旅游需求预测在宏观层面上有助于国家和地区制定具有指导意义的旅游发展战略，在微观层面上有助于旅游区确定其开发建设的方向和规模，具有重要的意义。
目前国内外学者对于旅游需求预测的研究，大多是从方法和模型的角度阐述，而较少涉及旅游预测结果如何对旅游实践起到实质性地指导作用，即如何通过旅游需求预测来提高旅游目的地的服务水平与供给能力，使需求与供给达到平衡，最大可能地提高旅游目的地的绩效水平。而且，目前研究较多的四类旅游需求预测模型（趋势外推模型，结构模型，定性模型及人工智能模型）的应用都需要在一定的旅游人数历史统计数据的基础之上进行，而新开发的或者开发处于初步阶段的旅游景区，往往缺乏大量历史统计数据，这就使得此类景区的旅游需求预测比较困难。
作为生态学的基本模型之一，Logistic种群增长曲线模型可以模拟出事物由小到大，由弱到强最终趋于稳定的S型增长趋势，而根据旅游地生命周期理论，旅游区的发展也具有类似的S型增长趋势，二者具有一定的拟合性。基于此，Logistic种群增长曲线模型可以用于进行旅游区旅游需求的预测。 本文以上海市嘉定区州桥老街历史文化休闲旅游区为例，以旅游人数为预测指标，研究了Logistic种群增长曲线模型在旅游需求预测中的应用，以期对新开发的或者开发处于初步阶段，缺乏大量历史统计数据作为预测基础的旅游景区的旅游需求预测提供一条可行的途径。实证研究证明
，Logistic种群增长曲线模型可以应用于此类旅游景区的需求预测中。此外，本文还对旅游需求预测结果如何应用于旅游区市场推广策略的制定、实施及旅游服务设施建设等实践环节进行了一定的探索。
3.期刊论文 张秀卿. ZHANG Xiu-qing 鄂尔多斯响沙湾娱乐旅游区旅游需求预测及分析 -内蒙古农业大学学报（自然科学版）2010,31(1)
旅游需求预测在旅游业的规划与经营过程中起着科学的指导作用,本文应用趋势外推模型的一元线性回归模型及结构模型中的引力模型,对鄂尔多斯响沙湾娱乐旅游区游客量进行预测,并将2种预测结果进行分析比较.得出的结论是旅游区旅游市场开发潜力巨大,具有很好的发展前景.最后根据预测结果,提出响沙湾娱乐旅游区的开发建议.
4.期刊论文 袁柳. 贾博儒. 许松林. 彭立艮 基于灰色理论的旅游需求预测算法分析 -科技创新导报2010(17)
旅游需求分析对于促进我国各地区的经济发展和文化交流都有着重要的意义.由于旅游行业的"小样本、贫信息、不确定"性, 旅游市场可以看做是一个巨大的灰色系统.本文针对旅游需求问题进行了详细的研究,提出了基于灰色系统理论的多元数学预测模型GM (1,N),合理分析诸多因素对旅游需求的综合影响,可以很好的解决此类问题.同时,以北京地区旅游需求发展为例,根据北京市旅游局等的历年旅游统计数据,确定影响游客人数的因素并对其合理量化,应用GM(1,N)模型对该地的旅游需求进行预测,并通过残差检验、后残差检验等方法对该模型进行分析,得到的预测结果比较准确,该模型应用范围广泛,可以进行推广使用.
5.期刊论文 涂雄苓. 黄月玲. TU Xiong-ling. HUANG Yue-ling 旅游需求预测的ARIMA乘积季节模型构建及实证分析——以桂林市为例 -广西财经学院学报2011,24(1)
主要研究乘积季节模型在桂林市旅游需求预测中的应用,通过对桂林市旅游人次2000年1月至2008年5月(共113个月)的月度资料来进行实证分析,采用差分方法对序列资料进行平稳化,然后进行模型定阶并佑计其参数,建立了桂林市旅游人次的乘积季节预测模型ARIMA(2,1,1)×(1,1,1)12.对模型进行诊断检验,结果表明,用该乘积季节模型对桂林市旅游人次的拟合效果较好.最后,利用此模型对桂林市2008年6月至12月旅游人次数量的趋势进行了预测,与实践有拟合较好.
6.期刊论文 陈俊. 陈兆雄. 幸林. 付学德. CHEN Jun. CHEN Zhao-xiong. XING Lin. FU Xue-de 基于BP神经网络的云南国际旅游需求预测 -昆明师范高等专科学校学报2005,27(4)
在阐述BP神经网络基本原理的基础上,建立了云南旅游需求的BP神经网络模型,并对云南旅游外汇收入及入境游客人数进行了预测和分析,在预测中首次引入了每人次旅游外汇收入的概念.分析结果表明,人工神经网络方法在旅游预测中的应用是可行的,而且是十分有效的.
7.学位论文 秦旭海 旅游需求预测方法研究及实证分析 1998
该论文围绕旅游需求预测方法研究这一主题,在预测对象的分析上,提出了旅游需求决定模型及其影响因素的作用力合力框架;在预测方案的设计上,采取了"群值逼近+点值优化+定性分析"的新思路,即首先尝试用多种预测方法对同一目标作出的多种预测结果逼近预测目标未来的多种可能状态与多种演化轨迹,再利用回归组合预测与最优化组合预测两咱组合思路配合作出优化的点值估计,最后在利用定性分析的手段对结果进行分析修正,从而在预测中作到了点面结合,提高了预测结果的准确性与可信度;在预测的实施上,设计了旅游预测专用决策支持系统(FSDSS)这样一种计算机辅助方法识别与实施的智能化预测思路,旨在提高旅游需求预测的效率;最后,将这些方案思路用于实践领域,对中国"九五"期间的旅游需求状况及2010年远景趋势作了实证性的预测与分析.
8.期刊论文 覃频频. 陆凯平. 牙韩高. QIN Pin-pin. LU Kai-ping. YA Han-gao 旅游需求预测模型研究 -铁道运输与经济2006,28(8)
建立基于月度数据的桂林漓江旅游航班、运量及游客的需求预测模型,运用指数平滑、SARIMA和Elman人工神经网络3种方法,并采用平均绝对误差(MAE)、均方百分比误差(RMSE)和平均绝对百分比误差(MAPE)评价模型预测效果.预测实例表明Elman人工神经网络模型更能反映时间序列的波动性,更适合桂林漓江旅游需求预测.
9.期刊论文 魏晓露. 么伟伟. 邸丽霞 河北省旅游服务业人才现状及需求预测 -中国外资2010(10)
近年来我省不断加大旅游人才资源开发的力度,有效地促进了旅游业的快速发展.本文首先研究了河北省近年来旅游人才资源开发的现状,并对未来的人才资源需求情况进行预测,以期为我省培养和培训旅游人才提供理论参考.
10.期刊论文 陶伟. 倪明. TAO Wei. NI Ming 中西方旅游需求预测对比研究:理论基础与模型 -旅游学刊2010,25(8) 旅游需求预测在国家旅游发展政策制定和战略规划和决策等方面有着极为重要的作用.西方学者对于旅游需求预测的研究主要侧重于旅游需求模型与实证分析.我国旅游需求预测研究主要是建立在西方研究基础上的理论引介与探讨.本文基于对中西方研究差距与差异的对比分析,讨论了旅游需求预测的难点、全球及中国旅游需求预测的各种问题,明确提出了中国旅游需求影响因素的分类方法及旅游需求预测研究的未来指向.
引证文献(4条)
1. 王纯阳. 黄福才 基于"一般到简单"建模法的入境旅游需求研究[期刊论文]-统计研究 2010(5)
2. 纪成君. 何建军 国内旅游收入预测模型的比较[期刊论文]-辽宁工程技术大学学报（自然科学版） 2010(5)
3. 王纯阳. 黄福才 中国入境旅游需求影响因素分析及预测——以外国客源市场为例[期刊论文]-商业经济与管理2009(9)
4. 杨立勋. 殷书炉 人工智能方法在旅游预测中的应用及评析[期刊论文]-统计与信息论坛 2008(4)
本文链接：http://d.wanfangdata.com.cn/Periodical_sjkjyjyfz200606016.aspx
授权使用：中南财经政法大学(zncjzf)，授权号：33d306be-f390-4595-99be-9ee60180e70f
下载时间：2011年5月17日