旅游需求預測方法文獻述評

[摘 要]本文試圖理清旅游需求預測方法發展的思路許多方法的應用進行了評價。

[關鍵詞]旅游需求；預測；方法

[中圖分類號]F59

[文獻標識碼]A

[文章編號]1002—5006(2006)08—0090—03

1 前言

經濟管理活動離不開預測。要大力發展旅游業，提高旅游業的管理水平，旅游預測工作是必不可少的。而由于旅游產品的易逝性、不可貯存等特點，對旅游的預測工作提出了更高的要求。

本文共分四部分：第一部分前言；第二部分介紹旅游需求預測方法的分類；第三部分是對部分預測方法預測結果實證檢驗的綜述；第四部分是結論。

2 旅游需求預測方法分類

2．1 旅游需求預測方法文獻統計

旅游需求預測開始于20世紀60年代，但快速發展卻是在20世紀80年代。如圖1所示，在149篇旅游需求預測的文獻中，80年代之前的只有9篇，進入21世紀后，短短5年時間，旅游需求預測的文章直追20世紀90年代的文獻總數。這些文章絕大部分發表于世界一流的旅游學期刊上，如《旅游研究》、《旅行研究》、《旅游管理》，還有一部分發表于《應用經濟學》與《國際預測》等期刊上。

2．2 旅游需求預測方法分類

旅游研究者對旅游需求預測方法進行了多角度的探索。在20世紀90年代之前，一般采用的是傳統的定量定性研究方法，如計量經濟方法、時間序列方法等。而20世紀90年代之后，隨著人工智能理論的成熟以及在各行業的廣泛應用，旅游研究者將這些方法引入旅游業，并進行了旅游需求預測的探索。各種旅游需求預測方法見圖2。

3 旅游需求預測方法的實證檢驗

評價預測結果的標準不外乎3個：一是預測的準確性，二是預測成本的高低，三是預測方法的可行性。1989年馬丁與威特首次提出了旅游預測準確性的問題。許多學者對旅游需求預測方法的準確性也進行了研究。

預測的準確性通過預測值與實際值之間的誤差來決定。通常采用的是平均絕對誤差百分比(MAPE：Mean Absolutely Percentage Error)，均方誤(MSE：Mean Square Error)，均方根誤(RMSE：RootMean Square Error)，以及塞爾的U系數比較(Theil’sU coefficient)。

3．1 傳統方法之間的比較

蒂莫·斯達克利用計量經濟模型普通最小二乘法(OLS：Ordinal Least Square)與好像非相關回歸模型(SUR：Seemingly Unrelated Regression)來預測克羅地亞的旅游需求，并比較了這兩種方法。這些模型表明到克羅地亞的旅游人數是客源國真實的國內生產總值和實際匯價的函數。通過分析，好像非相關回歸模型比最小二乘法模型更準確，更有效果。

瑪格瑞德·梅洛在2001年使用向量自回歸(Sims’s VAR：Vector Autoregression)模型，作為迪頓與繆俄鮑爾的接近理想需求方法(AIDS：AlmostIdeal Demand System)的替代，分析了旅游份額、旅游價格與英國旅游者預算之間的長期關系。通過受限制的向量自回歸模型預測了英國旅游者的長期旅游需求與目的地份額。作者最后得出結論，向量自回歸模型是一個相當準確的旅游需求預測方法。

凱里·高與羅布·勞(2001)利用香港的10大客源國的數據進行模型建立與評價，并選用了10個時間序列模型，分別是天真方法(天真法一、天真法二)、移動平均法(3個月移動平均法、12個月移動平均法)、指數平滑法(簡單指數平滑法、霍特指數平滑法、溫特指數平滑法)、自回歸移動平均結合法(ARIMA：AutoRegressive Integrated Moving Average)、季節性自回歸移動平均結合法(SARIMA：Multiplicative SeasonalARIMA)、帶干預項分析的自回歸移動平均結合法。并且用塞爾的U系數、平均絕對誤差百分比(MAPE)、均方誤(MSE)、均方根誤差百分比(RMSPE)、均方誤根(RMSE)、平均絕對離差(MAD)對預測的準確性進行了檢驗。在有干預因素的情況下，季節性自回歸移動平均結合方法預測的準確度最高。

楚方林(1998)利用6種預測技術來預測亞太地區國家的旅游需求，這6種方法分別為天真一法、天真二法、霍特——溫特指數平滑法、簡單線性回歸時間序列法、正弦波動時間序列非線性回歸模型以及季節性——非季節性自回歸移動平均結合模型。結果表明雖然預測的準確性隨國家的不同而有所不同，但總的來說在預測國際旅游需求方面季節性——非季節性自回歸移動平均結合模型是最準確的。研究還發現，根據塞兒不等式系數值的判斷，季節性——非季節性自回歸移動平均結合模型優于其他的預測方法。

納達·庫倫詹與麥克斯韋·金于1997年使用誤差修正模型與時間序列模型來預測國際旅游的季度流動，文章通過4個主要旅游市場，美國、日本、英國與新西蘭流向澳大利亞的旅游者季度流動預測來比較預測模型。這些模型包括誤差修正模型、自回歸模型、自回歸移動平均結合模型、基礎的結構模型與時間序列回歸模型。主要結論是：與時間序列模型相比，誤差修正模型的效果最差。

納達·庫倫詹與斯蒂芬·威特(2001)解釋說國際旅游需求的最小平方回歸模型沒有無變化模型(天真法一)準確。文章研究認為采用最新的計量模型比最小平方回歸模型更準確，但是這些新的計量模型仍然沒有無變化模型與時間序列模型好。

派勒·崗贊雷澤與潘·莫瑞爾(1996)認為估計的結構模型預測結果比兩個替代動態模型、轉化函數與誤差修正模型更準確。

約翰·蒲瑞澤與斯蒂芬·威特(2003)的研究結果表明單變量狀態空間模型最好，單變量自回歸移動平均結合模型次之，多變量狀態空間模型最差。

克里斯廷·利穆(2002)比較了幾種指數平滑模型，并用各種指數平滑模型來估計1975—1999年從香港、馬來西亞與新加坡到澳大利亞的各季度旅游人數。均方誤根用來檢驗預測的準確性。結果認為霍特——溫特加法模型與多元季節模型比單一的二次霍特——溫特非季節性指數平滑模型預測準確。

3．2 人工智能方法的比較

羅布·勞與諾曼·奧(1999)利用神經網絡模型預測日本游客對香港的旅游需求，這也是神經網絡進入旅游研究后的第一篇用來預測旅游需求的文獻。實證表明使用神經網絡預測日本游客到香港旅游的人數比多元回歸模型、天真模型、移動平均模型與指數平滑模型更好。

博格等人(2001)用一系列的時間序列預測模型來預測南非德班的旅游需求。包括：天真模型、移動平均法、季節調整法、單一指數平滑法、自回歸移動平均結合法、多元回歸模型、遺傳回歸模型與神經網絡法。結果表明神經網絡的預測效果最好。

文森特·楚(2003)用3種不同的時間序列方法來預測旅游需求的準確性，這3種方法分別是指數平滑法、單變量自回歸移動平均結合法以及神經網絡方法，并且用均方誤根(RMSE)與平均絕對誤差百分比(MAPE)進行了檢驗，最后的結論是在這3種方法中，人工神經網絡的預測結果是最準確的。

羅布·勞(2000)的研究沿用了神經網絡來預測旅游需求，實證結果表明使用向后繁衍神經網絡比回歸模型，時間序列模型以及向前推進神經網絡模型預測準確性更好。

潘蒂與斯尼德宣布，通過實證檢驗，使用神經網絡預測非線性的旅游者的行為能比線性趨勢預測方法、指數平滑法、自回歸移動平均結合法或天真模型法得到較低的平均絕對百分誤，較低的累計相關絕對誤，較低的均方誤根。

奧在2003年利用模糊理論來預測具有不確定性的旅游業。模型混合了計量自回歸模型與模糊模型，在傳統計量自回歸模型的基礎上，試圖采用非參數的模糊模型來預測旅游需求人數，因為它們之間的關系是高度非線性的并且是動態的。作者認為混合回歸一模糊模型作為一個整體來研究旅游市場，其預測結果是比較準確的。

凱里·高與羅布·勞(2003)認為粗集理論可以從原始的混亂的數據中找到有用的信息并從決定規則的數據中發現知識。他們用香港的10大客源國1985—2000年的數據來檢驗。結論是粗集理論在用來預測旅游需求時的準確率可以達到87．2％。

王朝宏(2004)使用模糊時間序列與混合灰色理論來預測旅游需求，實證結果表明模糊時間序列方法最適合預測香港到臺灣的需求，灰色理論比較適合香港與美國到臺灣的旅游需求，而馬克沃改進模型最適合德國到臺灣的旅游需求。

4 結論

使用哪種預測模型，一般來說要根據研究的需要來決定。如果自變量的值是已知的或是能夠準確估計的，那么神經網絡的預測結果最準確。當自變量受政策影響需要估計時，回歸模型會更有用；如果自變量不能夠得到，時間序列模型預測效果最好。

目前的旅游需求預測文獻，主要論述是從方法的角度來闡述，基本上沒有涉及到旅游預測方法在實踐中的作用，也沒有提到通過旅游需求預測，如何提高旅游目的地的服務水平與供給能力，使需求與供給達到平衡，最大可能地提高旅游目的地的績效水平。而這點卻是旅游目的地最關心的，也是旅游需求預測的最終目的。

[責任編輯：宋子千；責任校對：趙英麗]

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文?！?/p>