资源简介

(共42张PPT)
第4章 旅游需求预测
第三篇 旅游经济效应、环境问题与政策工具
第一篇 旅游经济研究基础
第01章 旅游经济分析的范围
第02章 旅游经济研究的程序、方法与工具
第03章 旅游需求的微观基础
第04章 旅游需求预测
第05章 旅游资源与目的地
第06章 旅游供给及市场结构
第07章 全球化背景下的旅游贸易
第08章 旅游经济效应分析
第09章 旅游环境资源评价
第10章 旅游经济政策
第二篇 旅游的供给与需求
本章结构
1. 旅游需求预测导论
1.1 旅游需求建模的重要性
首先，企业的成功主要是或者完全依赖于对旅游需求情况的认识，而最严重的管理失败主要是由于没能满足市场的需求。
其次，旅游投资，特别是旅游目的地基础设施的投资，要求长期的资金支持。预测旅游相关设施的长期需求，通常是对此类项目进行评估的重要组成部分。
第三、政府的宏观经济政策主要是基于各产业部门的相对重要程度。所以准确的预测旅游业需求对于帮助目的地政府制定、实施中长期的旅游发展战略是非常重要的。
第四、特定旅游目的地的旅游需求是影响该目的地竞争力的一个关键因素，准确的预测该目的地的旅游需求特征有利于其在市场竞争中占据有利的位置。
1.2 旅游需求预测的模型与方法
高级主管人员估计法（Jury of Executive Opinion）
主观概率评价法（Subjective Probability Assessment）
德尔菲法（Delphi Method）
顾客倾向调查法（Customer Intentions Survey）等(Frechtling, 2001)。
1.21定性预测方法
1.22 时间序列分析方法
时间序列分析方法包括天真方法(Naive Method)
简单移动平均法(SMA，Single Moving Average)
简单指数平滑法（SES，Single Exponential Smoothing）
霍特-温特指数平滑法（Holt-Winters Exponential Smoothing)
自回归移动平均结合法(ARIMA：AutoRegressive Integrated Moving Average)
季节性自回归移动平均结合法(SARIMA：Seasonal ARIMA)
1.23 计量经学方法
线性回归模型（Linear Regression Model）
对数回归模型（Log-Linear Regression Model）
协整检验与误差修正模型(CI/ECM, Cointegration/Error Correction Model）
时变参数模型（TVP，Time Varying Parameter Model）
向量自回归方法（VAR, Vector AutoRegressive Approach）
近似理想需求系统模型（AIDS，Almost Ideal Demand Systems）
从一般到具体（General to Specific）的建模程序最先由(Davidson, Hendry, Srba等(1978)提出，近年来，随着协整理论和误差修正技术的突破，这种建模方法得到了进一步发展和更为成熟的应用，对此Song, Witt和Li(2008)在旅游需求预测建模的专著中有一章进行了详细论述。
1.3 旅游需求的决定因素
对于一个特定的目的地，“旅游需求”这个术语可以被定义为消费者在给定条件下，在一个特定时期内愿意购买的旅游产品(物品和服务的组合)的数量。
这个特定时期可以是一个月、一个季度或者一年。
与旅游需求数量相关的条件包括：目的地的旅游价格（旅游者在目的地的生活成本和抵达目的地的旅行成本）、竞争目的地的可达性和旅游价格、潜在消费者的收入、广告支出、客源国消费者的品味以及其它社会、文化、地理和政治因素。
在这里：
表示目的地i来自客源国j的旅游产品的需求数量；
表示目的地i的旅游价格；
表示替代目的地的旅游价格；
表示客源国j的收入水平；
表示客源国j消费者品味；
表示目的地i在客源国j的旅游广告支出；
表示扰动项，用来捕捉客源国j居民对目的地i的旅游需求的所有其它影响因素。
1.31 旅游需求的度量方法
虽然研究分解的旅游需求可以增进对旅游产品和服务市场运营情况的洞识，但是经验研究主要专注于对目的地层面的整合的旅游需求进行建模和预测。
这种整合的旅游需求一般通过下列指标进行度量：
游客到达人数（Tourist Arrivals）
旅游支出（Tourism Expenditure）
旅游收支的份额（Budget Share of Tourism Receipts/Expenditures）
旅游进口/出口（Import/Export of Tourism）
旅游者过夜天数（Tourist Nights）
酒店和住宿部门接待的游客到达人数（Tourist Arrivals in Hotels and Apartments）。
与早期的旅游预测研究相比，目前的旅游需求度量并没有太大的变化。游客到达人数（Tourist Arrivals）和旅游支出（Tourism Expenditure）仍旧是最常用的两个度量旅游需求的指标。
近些年来，基于绝对值或者市场份额的旅游者支出在一些需求系统模型中的使用频率在增加。这些模型包括近似理想需求模型(AIDS，Almost Ideal Demand Systems)和线性支出系统模型(LES，Linear Expenditure System)。现在的研究与20世纪90年代前的研究的一个主要的区别就是，现在的研究者对于分解的、产品层面的旅游需求更加关注。
1.32 解释变量
人口
收入
自身价格
替代价格
品味
营销
期望与习惯的持续性
定性效应
自由时间
1.33 函数形式
20世纪60年代到90年代，对数线性回归（Log-Linear Regression）是旅游需求预测研究主要的函数形式。
使用对数线性模型有如下优点：
首先、估计需求弹性更为方便；
其次、对数转换降低了变量的单整阶数，因此标准的协整分析（CI，Cointegration）可以较为容易地进行。
尽管存在上述优点，对数线性模型也有一些局限性。通过对数模型估计的弹性（在传统的固定参数的框架内）不随时间发生变动。
最简单的形式就是线性关系
旅游需求分析使用最多的还是指数模型
2.旅游需求建模的传统方法
2.1 传统旅游需求建模方法论
多数研究基于第一节所讨论的需求理论的单一方程模型。
这个需求理论认为消费者依据其收入和商品的价格做出最优选择。
考虑旅游需求，旅游目的地的选择与旅游产品相对于其它目的地和客源国收入的价格有关。
2.11形成假设
特定客源国的旅游者在两个目的地之间进行选择，这两个客源国的需求函数可以写为：
假设 I. 恩格尔曲线认为如果旅游产品是正常商品的话，价格保持不变，增加旅游者的收入会使这两个旅游目的地的旅游需求增加。所以客源国的收入对于两个目的地的旅游需求有积极的正面影响。
假设 II.如果旅游目的地1的价格增加，而目的地2的价格、客源国消费者收入都没有变化，旅游者会由目的地1转移到目的地2，结果目的地1的游客数会减少。这被称为替代效应，替代效应使得旅游需求向价格变动相反的方向移动。
假设 III.对于目的地1而言，目的地2的价格变化，可以产生正的影响，也可以产生负的影响。一方面如果目的地1与目的地2是替代关系，目的地2价格的变动会产生目的地1需求的同方向变动；另一方面，如果旅游者同时游览这两个目的地，两个目的地互为互补品，一个旅游目的地的价格变动会导致另一个旅游目的地旅游需求的反方向变动。
根据上述假设，前面的方程可以写成：
这里的加号和减号分别代表解释变量对旅游需求正的和负的影响。这两个方程是旅游需求的理论模型；被用来估计模型的数据是Qi，Pi 和Y (i = 1,2)；假设I、假设II和假设III可以被用来进行统计检验。
2.12 模型设定
虽然消费需求理论提供了旅游需求变量之间的可能关系，但是并不能给出需求模型具体的函数形式。研究者不得不为了方程的估计而选择函数形式，通常情况根据估计和迭代的便利性选择合适的函数形式。
线性函数
指数函数
对数线性模型
线性对数模型
函数形式的选择可以根据模型拟合数据的程度，其具体标准如下：
2.13 数据收集
时间序列数据
时间序列数据（Time Series Data）是按照固定的时间间隔（例如月度、季度或年度）测量的数据。
截面数据
截面数据（Coss-Sectional Data）是在同一个时间点上收集一个或多个变量。
混合数据
混合数据(Pool Data)把时间序列数据和截面数据组合到一起，组合数据也被称为面板数据（Panel Data）或纵向数据（Longitudinal Data），是对截面数据单位（例如家庭、企业、或者旅游目的地国）通过多个时间点进行观测而获得的数据。
数据资源
世界旅游组织(UNWTO) 公布的《旅游统计年鉴》（Yearbook of Tourism Statistics）中主要国家的游客抵达和游客接待数据都有按客源国的分解指标。
国际货币基金组织(IMF) 公布的《国际金融统计》（International Financial Statistics）发布了世界上多数国家的消费价格指数(CPI)和国民生产总值(GDP) 数据（月度与年度）。
一些额外的目的地国数据（例如游客过夜天数、游客逗留时间等）可以通过国家旅游组织取得。
个人可支配收入、消费者支出和人口规模等通常由各国的国家统计局发布,例如英国的中央统计局(CSO, Central Statistical Office)、加拿大的统计加拿大（Statistics Canada）、美国的经济分析局(Bureau of Economic Analysis，BEA)和中国的国家统计局（National Statistical Bureau of China）。
更为完整的旅游数据资源列表,请参阅Baron(1989)的《旅游与旅行数据：世界旅游业研究手册》（Travel and Tourism Data : A Comprehensive Research Handbook on the World Travel Industry）。
2.14 模型估计
检验单个系数的显著水平
2.15 假设检验
检验所有参数的联合显著水平
2.16 预测与政策评估
2.2 传统方法在旅游需求建模中的失败
Witt和Witt(1995, p. 458)认为“在不太关注检验模型是否正确设定的情况下，计量经济方法论上关注时间序列的动态结构所取得的进展是很值得怀疑的”。
传统方法所暗含的假定是旅游需求数据是平稳的，至少是趋于平稳的；但是已经证明多数旅游需求数据是非平稳的数据，这会导致目前经验研究中广泛报告的t检验、DW检验、F检验和确定系数存在严重的问题。
另一个严重的问题是，传统旅游需求方法的预测表现与其它方法相比不是很好，甚至不如最简单的时间序列模型（例如没有改变的天真模型，Naive No-change Model）[参见Martin和Witt(1989)，Witt和Witt(1992)]。一个可能的解释是，在模型估计时，传统的旅游需求预测模型既没有考虑长期的协整关系，也没有考虑短期的动态关系。
3.现代计量经济学预测模型
3.1 现代计量经济学方法导论
现代计量经济学方法，例如协整理论（Cointegration）、误差修正模型（ECM， Error Correction Models）、向量自回归模型（VAR，Vector AutoRegressive Models）、时变参数模型（TVP，Time Varying Parameter Models）和面板数据方法（Panel Data Approaches）都可以用来克服传统的单一方程模型的局限性。
根据模型中方程的数目，旅游需求模型可以分为单一方程模型（Single-Equation Models）、系统或多方程模型(System or Multi-Equation Models)。
单一方程模型包含两个子类：包含固定参数(Fixed Parameters)的单一方程模型和包含时变参数(Time Varying Components)的单一方程模型。
3.2 单一方程模型
在20世纪90年代的初期，旅游需求的计量经济模型仍然限定在静态模型。这些模型伴随着一系列的问题：伪回归（Spurious Regression）、错误设定（Misspecification）和不合适的函数形式（Inappropriate Functional Forms）等(Song & Witt, 2000)。为了克服上述问题，到了20世纪90年代中期，诸如ADLM和ECM这些动态模型开始运用到旅游需求预测研究中来。
Hendry(1986)最早提出了ADLM模型（ADLM， AutoRegressive Distributed Lag Model)。ADLM模型是一种由一般到特殊的方法（General-to-Specific Approach），该模型起始于一个既包含变量的现值，又包含变量滞后值的一般函数形式，然后在模型的估计过程中逐步减少变量。
3.21 固定参数的单一方程模型
ECM是一个动态模型，在这个模型中从长期角度看有一个均衡，变量在任何期间内的变动都与此前时期的失衡有关。Song和Witt(2000)的研究表明把ADLM模型转换为ECM模型是相对容易的。
STSM和TVP模型是属于加入时变参数的单一方程模型 。与传统的计量经济模型相比，STSM把随机因素和季节因素整合到了古典的计量经济模型之中。状态空间形式（SSF，State Space Form）用来表示随机因素，而卡尔曼滤波（Kalman Filter）方法用来估计这些因素。
3.22 加入时变参数的单一方程模型
3.3 系统方程模型
VAR模型是一个用于分析多变量时间序列数据的灵活易用的模型。Sims (1980)开发了该模型，他把所有的变量分解成确定变量（例如趋势变量、截距变量和虚拟变量）作为外生变量，此外，VAR模型也与多变量协整分析的最新发展紧密联系在一起。
单一方程模型不适合分析预算在不同旅游产品/目的地之间的分配问题，而AIDS模型在这方面很显然可以替代单一方程建模方法。AIDS 最早由Deaton 和 Muellbauer (1980)开发出来，随后由Fujii, Khaled和Mark(1985)引入到旅游需求预测研究中。模型的设定如下：
神经网络是人工智能研究的一个分支。特别是，神经网络通过构建大脑的低级结构，试图模拟生物神经系统的学习能力和容错能力。一个典型的前馈网络的神经元分布在一个清晰的分层拓扑结构中。输入层根本不是真的神经元，这些单元的作用就是把输入变量的数值导入神经网络；中间层、输出层和输入层的神经元彼此连接起来。定义网络只与输入层的部分单元相连接也可以，但是对于多数应用而言，完全连接的网络要好一些，下图演示了一个典型的完全连接的网络。
3.4 计量经济学预测模型的表现
在多数旅游需求预测模型中，无变化模型经常作为一个预测评价的基准。
在旅游需求预测评价中，各种ECM模型（包括Engle和Granger的两阶段ECM模型、Wickens-Breusch的一阶段ECM模型、Johansen ECM）通常被作为高级计量经济模型的一个代表，而ARIMA和SARIMA模型被作为最流行的时间序列模型的代表。
相比较而言，TVP模型和STSM模型总是表现得好一点。
而VAR模型在不同情况下的表现差别很大。
3.41 预测模型的总体表现
3.42 影响相对预测表现的因素
预测的时间跨度（Time Horizon of Forecasting）
数据的时间频率（Data Frequency）
数据产生过程（Data Generating Processes）
3.43 旅游需求预测的计量模型总结
第一、构建一个适合各种情况的预测模型是不可能的，这个结论与多数文献的观点是一致的。
第二、高级的预测技术（例如ECM模型和TVP模型）倾向于改进简单时间序列分析的预测精度。
第三、为了提高预测的精度，应该对模型的设定更加关注，这一点通常通过各种诊断测试来完成。
第四、20世纪90年代以前的研究主要是运用年度数据来构建模型；考虑到旅游需求季节性的本质，20世纪90年代以后的很多研究努力运用季度和月度数据建模。
第五、20世纪90年代以前的研究主要专注是目的地国家层面的旅游需求研究；近年来也出现了一些关于产品或子区域层面的旅游需求的研究。
3.44 未来的研究方向
第一、过去的研究重点是努力降低预测的误差水平；由于误差方向和拐点预测对于商业决策和政策制定非常重要，未来值得深入研究。
第二、考虑到这样的事实，没有一个模型在各种情况下都可以产生最优的预测结果，为了提高预测的精度，不同方法预测值的组合问题值得考虑。
第三、既然单次事件和其它不确定因素严重影响旅游预测的精度，专家判断可以用来改进定量预测模型的精度。
第四、旅游需求研究需要应用计量经济学的最新成果。
本章小结
第一节旅游需求导论介绍与旅游需求预测与建模相关的基本概念。旅游需求预测模型的类别主要是定性预测方法和定量预测方法。一个目的地的旅游需求影响因素主要有旅游产品的价格、旅游竞争目的地的价格、潜在消费者的收入、消费者的品味、目的地的促销努力，以及其它社会、文化、地理和政治因素。旅游需求函数的主要形式有线性和指数形式。旅游需求弹性是模型估计得到的重要指标，是旅游需求分析的得力工具。
第二节介绍传统旅游需求建模方法。传统旅游需求建模遵循这样的程序：基于需求理论形成假设；决定模型的函数形式；收集数据；估计模型；检验假设；生成预测值或评估政策。依托的理论主要是经典的需求理论；主要采用指数、线性形式设定需求函数，分析的数据主要有三类：时间序列数据、截面数据和混合数据；模型估计主要采用普通最小二乘法进行。
第三节现代计量经济学模型主要是吸纳了现代计量经济学的发展成果，如协整理论（Cointegration）、误差修正模型（ECM）、向量自回归模型（VAR）、时变参数模型（TVP）和面板数据方法（Panel Data Approaches）来突破了传统方法的假设限制，针对性的解决异方差、残差自相关和多重共线性等问题。主要介绍了两类模型，其一、单一方程模型，包括固定参数的单一方程模型和加入时变参数的单一方程模型；其二、系统方程模型，包括VAR 模型、线性的AIDS模型、神经网络模型。此外也比较了这些现代计量经济模型的预测表现，讨论了预测表现差异的可能原因，分析了未来的研究方向。
复习题
旅游需求预测为什么非常重要？
常见的旅游需求预测方法有哪些？各有什么优点和缺点？
旅游需求预测中经常使用的变量有哪些？
旅游需求预测中要面临数据的哪些问题？
旅游需求建模传统方法中t检验、F检验、确定系数、修正的确定系数的作用是什么？
评价各种现代计量经济模型预测表现的差异？
导致各种现代计量经济模型预测表现差异的可能原因有哪些？
旅游需求预测未来的研究领域有哪些？
访问中国国家旅游局的网站，整理出最近24个月的入境旅游者数据，尝试运用时间序列预测方法中的移动平均法预测未来中国入境旅游者的人数http://ta./wyzl/more.asp newsid=004001
利用附录A4-2中表A4-11提供的游客抵达数据，运用时间序列的移动平均法进行旅游需求预测。
利用附录A4-2中表A4-11，A4-12提供的数据，旅游需求预测的ADLM。

展开更多......

收起↑