百度指數、混頻模型與三亞旅游需求

秦 夢，劉 漢

（1.中共中央黨校（國家行政學院）研究生院，北京 100091；2.吉林大學數量經濟研究中心，吉林 長春 130012）

引言

旅游業作為服務業的重要組成部分，是一國人民生活水平和經濟社會發展的“風向標”，及時且準確地預測旅游需求，不僅有助于旅游部門采取有效措施防止景點承載與游客需求不匹配的現象，以確保高效的資源配置和安全的高質量服務，同時還有益于旅游相關行業的發展，調整相關產品或服務的供給，避免供求失衡，以獲得更高的經濟效益，因此，對旅游需求的預測顯得尤為重要。三亞市作為一個以旅游產業帶動經濟發展的典型城市，由于地理位置因素，每年冬季是三亞市客流量的高峰時期，及時準確地預測三亞市的旅游需求，一方面有助于游客合理規劃旅游時間，另一方面有助于三亞市旅游當局有效配置旅游資源。

旅游統計部門對數據的公布存在一定的滯后性，這限制了旅游信息獲取的實時性，影響了游客的出行計劃和旅游部門的戰略決策調整，因此，運用計量模型對旅游需求進行預測得到了廣泛關注。傳統的計量模型對旅游需求的預測方法大多是基于旅游需求自身進行預測，這會導致預測結果存在偏誤。這是由于，搜索引擎的發展為旅游需求的預測研究開辟了新領域，以三亞市為例，游客出行前會對三亞市的景點、天氣、特產等信息進行了解，而搜索引擎是了解這些信息的重要工具，反映搜索行為和關注度的搜索指標在一定程度上可以反映用戶需求，必然與旅游需求息息相關，若未將這一相關因素考慮在內，勢必會出現模型誤設的可能，進而導致預測出現偏差。由于反映搜索行為和關注度的指標，如百度指數，兼具公布時效性和與旅游需求強相關性的特點，因此，基于搜索引擎輿情數據與旅游需求的內在關聯性構建模型進行分析和預測，能夠指導游客及旅游部門的規劃和策略，以促進區域旅游業的可持續發展。

1 文獻綜述

早期對旅游需求的預測廣泛采用自回歸移動平均（ARMA）模型及其拓展形式[1-8]、基于Copula的廣義自回歸條件異方差（GARCH）模型[9]、加入誤差修正項的自回歸分布滯后（ARDL）模型[10]、選取多個預測模型進行對比[11-13]、基于多個模型構建組合預測模型[14-19]等。基于上述模型的預測雖具有合理性，但忽略了對旅游需求具有指示性作用的相關變量，隨著互聯網的高速發展，游客出行前會通過電子設備對目的地的相關信息進行搜索，智能手機的普及使得這一現象尤為突出，因此，就互聯網搜索量的加入是否能夠提高傳統模型預測精度這一問題，國內外學者進行了諸多研究。

就國外游客而言，谷歌搜索引擎最為常用，因此，國外游客的搜索行為和關注度大多是由谷歌搜索數據來反映，即可基于谷歌搜索數據對外國游客旅游需求進行預測。Dinis等認為谷歌趨勢數據可以作為反映旅游相關信息的重要工具，通過對葡萄牙旅游的研究表明運用谷歌趨勢數據有助于了解游客對區域旅游目的地的興趣和關注度[20]。Artola等使用谷歌搜索數據對西班牙旅游客流量進行預測，發現直至2012年，預測效果相當可觀，且預測的均方誤差大幅減小[21]。Gunter和?nder基于谷歌分析數據對維也納實際旅游人數進行預測，并發現大數據的加入更有利于長期預測效果的改善[22]。Park等基于谷歌搜索數據對日本赴韓國游客量進行短期預測，證實了搜索數據的加入能夠提高時間序列模型的預測精度，且樣本外預測更具有有效性[23]。沈蘇彥等基于谷歌關鍵詞對入境旅游需求進行預測，得出預測效果優于傳統模型的結論[24]。

而對于國內游客來說，百度搜索引擎的使用頻率最高，相比于谷歌搜索數據，百度搜索數據更能夠反映國內游客的搜索行為和關注度。Xin等基于百度搜索數據和谷歌搜索數據分別對海南游客量進行預測，并得出前者預測能力更好的結論[25]。這主要是由于百度搜索引擎在中國所占的市場份額更大，因此，國內游客的搜索行為和關注度大多是由百度指數來反映，即可基于百度指數數據對中國游客旅游需求進行預測。黃先開等通過對故宮游客量預測，發現百度關鍵詞的加入顯著提高了ARMA模型的預測精度[26]。任樂和崔東佳結合搜索指數對北京市旅游客流量進行預測，并認為搜索指數的加入能夠降低絕對誤差，且能夠提高擬合優度[27]。王煉和賈建民通過對四川省黃金周期間游客量進行預測發現，結合網絡搜索量的模型能夠使得預測誤差大幅減小[28]。陳濤和劉慶龍以北京市為例，探討了旅游大數據與神經網絡相結合在預測旅游需求方面的準確性[29]。孫燁等探討了相比于ARMA模型，百度指數的加入有助于更好地預測三清山的游客量，且移動端比PC端的預測更有效[30]。魏瑾瑞和崔浩萌基于網絡搜索量構造區域旅游指數，并認為該指數可以對西安旅游客流量進行實時預報[31]。

結合國內外學者的研究可以看出，加入反映搜索行為和關注度的指標的確可以提高旅游需求的預測效果，但上述研究均是基于同頻數據建模預測。一般而言，搜索量數據為日數據或周數據，旅游需求（如旅游人數、旅游收入等）為月度或季度數據，傳統模型無法基于頻率不同的數據建模，若通過平均、加總、替代或插值法將混頻數據轉化為同頻數據可能造成信息的損失或虛增，因此，為克服這一問題，Ghysels等提出混合數據抽樣（MIDAS）模型，可以將頻率不同的數據構建在同一模型中，而不需要對原始數據進行處理[32]。MIDAS模型的提出最初是為了運用混頻數據對股票市場的波動進行預測[33-35]。Clements和Galv?o提出帶有自回歸項的MIDAS（MIDAS-AR）模型，用于解決例如GDP這樣存在自相關性的時間序列，并證明加入自回歸項的MIDAS模型使得基于月度指標對美國季度GDP增長率的預測更有效[36]。此后，學者們開始運用MIDAS模型對各國GDP進行預測，并證實由于MIDAS模型能夠充分利用混頻數據信息，同時可以根據新公布的高頻信息不斷修正預測結果，因此相較于傳統的同頻預測而言，混頻預測不僅能夠提高預測的準確性，同時可以解決數據公布的時滯性問題[37-43]。除了應用在股票市場和宏觀經濟的預測外，隨著MIDAS模型理論和應用的不斷完善和發展，國內外學者也將該模型應用于預測旅游需求，Bangwayoskeete和Skeete基于MIDAS模型證實了運用谷歌趨勢搜索數據對旅游業需求進行預測可以提高預測精度[44]。劉漢和王永蓮將谷歌搜索周數據納入預測旅游需求的同頻自回歸（AR）模型中發現，MIDAS-AR模型的預測效果更好，且權重函數為指數Almon時的預測結果最為精確[45]。Hirashima等基于混頻模型和同頻模型對夏威夷季度旅游人數和季度食宿服務部門的勞動力收入進行預測，并發現高頻預測指標的加入有助于提高預測精度[46]。

綜上，鑒于搜索行為和關注度指標的加入能夠使得旅游需求的預測更為精確，但二者的數據頻率往往有所差異，混頻預測的引入不僅能夠充分利用搜索行為和關注度指標的信息，有助于提高旅游需求預測的準確性，同時還可以利用向前預測最優步數進行實時預報，解決了旅游數據公布的時滯性問題。相對于已有研究而言，本文的邊際貢獻如下：第一，結合單變量MIDAS模型和多變量MIDAS模型的建模理論對三亞市旅游需求進行預測，進一步拓展了混頻模型的應用領域，尤其是應用于對區域旅游需求的實時預報方面，同時，進一步證實了搜索行為和關注度對旅游需求的指示性作用；第二，將主成分分析法應用到同頻模型和混頻模型中，通過對比預測效果進而能夠判斷基于所提取主成分的預測是否具有有效性，同時主成分分析法與混頻預測相結合進一步拓展了混頻模型的建模理論。

2 混頻數據模型

Ghysels等提出混頻數據抽樣（MIDAS）模型，是為了將不同頻率的解釋變量和被解釋變量構建在同一模型中，用于研究高頻變量（即解釋變量）變動對低頻變量（即被解釋變量）的影響，運用MIDAS模型可以充分利用高頻變量信息，提高對低頻變量的預測精度[32]。根據所包含高頻解釋變量的個數可將MIDAS模型分為單變量MIDAS模型和多變量MIDAS模型。

2.1 單變量MIDAS模型

2.1.1 基礎MIDAS（m,K）模型

2.1.2h步向前預測的MIDAS（m,K,h）模型

由于對月度旅游需求的預測須根據已有信息向前預測，因此引入h步向前預測的MIDAS模型可以充分利用已公布的周搜索量數據對旅游需求進行預測，相較于同頻模型來說，MIDAS模型可以根據新公布的數據對其預測進行修正，提高了預測精度，同時解決了數據公布的時滯性問題。該模型形式為式（2），即將式（1）中的項轉換為項。

在式（2）中，若h=1即可提前一周對該月的數據進行預測，若h=4即可提前一月對該月的數據進行預測，以此類推，圖1是令K=8并以h=1和h=4為例繪制的混頻預測時間軸。由圖1可以看出，h的加入使得MIDAS模型可運用新公布的周搜索量數據對未來旅游需求進行預測，相關部門也可根據預測結果提前制定政策措施，以確保相關資源的充分有效利用，具有前瞻性和時效性。

圖1 混頻預測的時間軸Fig.1 Timeline of the mixed-frequency forecast

2.1.3 包含自回歸項的MIDAS（m,K,h）—AR（p）模型

由于旅游需求可能存在自相關性，即本期被解釋變量還受上一期被解釋變量的影響，因此根據Clements和Galv?o提出的帶有自回歸項的MIDAS（MIDAS-AR）模型的建模理論，在模型中引入帶有滯后階數的被解釋變量，以提高模型預測的有效性[36]。該模型形式為式（3），即在式（2）的基礎上引入被解釋變量的滯后項，即Yt-j項。

2.1.4 權重函數的設定

對于權重函數的設定，本文為得到預測精度最優模型，選取5種形式的權重函數，分別為：beta權重函數、指數Almon權重函數、Almon權重函數、step權重函數以及無權重函數（U-MIDAS模型[47]），公式如式（4）～式（8）所示。

（1）beta權重函數

（2）指數Almon權重函數

為避免待估參數過多問題，一般令式（5）中的P=2進行分析，并且當P=2時有一般的約束條件為θ1≤300；θ2＜0。

（3）Almon權重函數

（4）step權重函數

在式（7）中，b0=1＜b1＜…＜bP=K，I為示性函數，k∈[bp-1,bp]時取1，反之取0。

（5）無權重函數（U-MIDAS模型）

2.2 多變量MIDAS模型

對于多變量MIDAS模型的建模方法主要有多元MIDAS（M-MIDAS）模型和組合MIDAS（C-MIDAS）模型兩種形式，但M-MIDAS模型是將全部高頻變量構建在一個方程中，由于本文高頻解釋變量之間的相關性很強，若將強相關性的高頻解釋變量構建在一個方程中將會出現共線性問題使得回歸預測的結果失真，因此本文選取C-MIDAS模型進行分析。

C-MIDAS模型是將Bates和Granger開創的組合預測方法應用到MIDAS模型中[48]。Aprigliano等、Winkelried、鄭挺國和尚玉皇、王維國和于揚等學者結合實證，分析了C-MIDAS模型在預測方面的有效性[42,49-51]。C-MIDAS模型的建模方法是將n個單變量混頻模型所求得的預測值按照某一標準賦予權重，從而得到新的預測值。對于權重的設定，本文主要選取3種賦權方式，分別為等權重賦權、AIC準則賦權和RMSE賦權。其中，等權重賦權是指對每個單變量模型所求得的預測值賦予相同的權重，權重均為1/n，而AIC準則賦權和RMSE準則賦權均為非等權重賦權，權重形式分別為式（9）和式（10），為避免AIC值過大導致e-AIC無法得出有效值，本文將AIC準則賦值的權重函數設定為式（9），由式（9）和式（10）可以看出AIC和RMSE的值越小所賦予的權重越大。

3 數據選取及描述

三亞旅游需求選用三亞月度接待國內過夜游客人數來反映，下文簡稱為三亞旅游人數，數據來源于三亞旅游官方政務網的月度統計數據。隨著科學技術的飛速發展，游客出行前通過電子設備對目的地相關信息的搜索已成常態，對于國內游客來說，無論是PC端還是移動端，百度搜索引擎所占份額最大，因此選用百度指數來反映國內搜索行為，并將百度指數周數據作為MIDAS模型高頻解釋變量對三亞旅游需求預測。結合旅游“六要素”吃住行游購娛以及其他旅游相關信息選取搜索關鍵詞，分別將“三亞旅游攻略”“三亞美食”“三亞住宿”“三亞地圖”“三亞景點”“三亞特產”“三亞免稅店”“三亞天氣”作為關鍵詞，而后對這8個關鍵詞在百度指數主頁（index.baidu.com）進行百度指數搜索，并將時間范圍設定為“全部”，即可得到8個關鍵詞所對應的百度指數日數據，包括總搜索量、PC端搜索量和移動端搜索量3部分。

為求得百度指數周數據，本文將每個月的前7天作為第1周，第8～第14天作為第2周，第15～第21天作為第3周，該月剩下的天數作為第4周，并求得每周百度指數日數據所對應的平均值，即為本文所使用的百度指數周數據。由于PC端是從2006年開始統計，而移動端是從2011年開始統計，本文選取PC端與移動端之和，即總搜索量作為高頻數據，因此本文數據的時間范圍選取2011年1月—2018年6月。基于上述8個關鍵詞所得百度指數周數據與三亞月度旅游人數的走勢圖如圖2所示。

由圖2 可以看出，百度指數周數據與三亞旅游人數波動趨勢大體相仿，但波動幅度有所差異，且三亞旅游人數總體呈上升趨勢，這反映了我國人民生活水平的提高，對旅游的需求也在不斷增加。另外，冬季的游客人數明顯要多于其他季節，這與三亞獨特的地理位置及氣候條件是息息相關的，也在百度指數周數據上有所體現，因此運用百度指數周數據預測三亞旅游需求具有可行性。

圖2 百度指數周數據與三亞月度旅游人數的走勢圖Fig.2 Trend of weekly Baidu Index data and monthly tourist numbers in Sanya

4 實證分析

4.1 預測指標的選取

考慮到數據的平穩性和季節性問題，本文分別求得三亞旅游人數和百度指數周數據的同比增長率，運用同比增長率數據進行回歸預測。選用2012年1月—2017年6月的三亞月度旅游人數增長率和2012年1月第1周—2017年6月第4周的百度指數周數據增長率作為樣本內數據構建MIDAS模型，預測區間選取 2017年7月—2018年6月共 12 個月的三亞旅游人數增長率。選擇ARMA模型和ARMAX模型作為同頻模型，以分析MIDAS模型預測的有效性，根據預測精度最優原則，ARMA 模型選取ARMA（1,1）模型進行分析，ARMAX模型是在ARMA（1,1）模型的基礎上引入百度指數月數據（百度指數周數據平均而得）同比增長率，且ARMA模型和ARMAX模型仍是基于2012年1月—2017年6月的數據建模，對12個月的三亞旅游人數增長率預測。

為使混頻模型與同頻模型的預測效果對比的更為清晰，本文選用rARMA和rARMAX指標，分別表示MIDAS 模型 RMSE 與 ARMA 模型、ARMAX 模型RMSE 的比值，RMSE 即預測的均方根誤差，如式（11）所示。rARMA和rARMAX指標均有小于1 時MIDAS模型的預測精度更優，大于1 時MIDAS 模型的預測精度更劣的結論。

在式（11）中，i為對三亞月度旅游人數的預測期數，其取值范圍是[1,T]；T為最高預測期數，在本文中有T=12，且當i=1 時是指對2017年第7月的三亞旅游人數進行預測，以此類推，當i=12 時是指對2018年第6月的三亞旅游人數進行預測。

4.2 基于單變量MIDAS模型對三亞旅游需求的預測分析

由于ARMA模型和ARMAX模型選取的都是1階滯后，因此MIDAS 模型同樣選取被解釋變量滯后1 階，即運用MIDAS-AR（1）模型進行分析預測，將8個百度指數周數據增長率作為高頻解釋變量分別構建單變量MIDAS 模型對三亞旅游人數增長率進行滾動窗口預測，限于篇幅，僅列出使得預測效果最優的高頻解釋變量滯后階數和權重函數所求得的預測誤差，預測結果如表1 和圖3 所示，其中，圖3僅列出基于不同百度指數周數據的rARMAX指標。

由表1和圖3可以得出如下結論：

第一，百度指數的加入能夠提高旅游人數的預測精度。通過比較ARMA 模型和ARMAX 模型的預測誤差可以看出，除三亞地圖、三亞景點和三亞免稅店外，加入百度指數后ARMA（1,1）模型的預測精度有所提高，這說明搜索行為和關注度的確對三亞市旅游需求具有一定的指示性作用，這與先前研究所得結論相同。

第二，MIDAS模型能夠改善同頻模型的預測精度。結合表1 和圖3 可以明顯看出，大部分rARMA和rARMAX指標是小于1的，也就是說，總體而言，MIDAS模型的預測誤差要小于ARMA 模型和ARMAX 模型，對于三亞地圖和三亞免稅店來說雖然ARMA 模型的預測效果優于ARMAX 模型，但明顯不如MIDAS 模型，而三亞景點并不能表現出這一特征，三亞景點預測效果較差的原因可能是由于本文三亞旅游人數數據選取的是三亞市國內過夜游客人數，而部分游覽景點的游客選擇一日游而并沒有在三亞市過夜，例如部分搜索“三亞景點”的游客是距離三亞市2 小時左右動車車程的海口市居民等，因此導致預測誤差較大。但總體而言，混頻數據的運用的確能夠提高同頻模型的預測精度，這說明MIDAS模型能夠充分利用高頻周數據信息，避免了平均化處理所造成的信息損失，因此預測效果更好一些，就平均值而言，基于不同百度指數周數據所構建的MIDAS 模型按預測精度由高及低的順序為：三亞天氣、三亞免稅店、三亞旅游攻略、三亞特產、三亞住宿、三亞美食、三亞地圖、三亞景點。

表1 單變量MIDAS模型的預測結果Tab.1 Forecast results of the univariate MIDAS models

圖3 單變量MIDAS模型的預測結果（rARMAX）Fig.3 Forecast results of the univariate MIDAS models（rARMAX）

第三，向前預測步數的差異導致MIDAS 模型預測效果有所差異。h不同MIDAS 模型的預測精度不同，這反映了游客在不同時間段關注的方面也有所側重，另外，向前預測步數的加入可以利用已公布的百度指數周數據信息對三亞旅游人數向前預測，解決了三亞旅游人數公布的時滯性問題，可令h=1提前1周對該月旅游需求進行預測，h=4對未來1 個月的旅游需求進行預測，h=8對未來2個月的旅游需求進行預測，更大的h可以對更長區間的旅游需求進行預測，這有助于三亞市旅游業相關部門及時采取政策措施以實現旅游資源的充分有效利用。

第四，對于權重函數和滯后階數的選擇應具體問題具體分析。通過表1可以明顯看出在高頻變量和向前預測步數h不同時，使得預測效果最優的權重函數和滯后階數都有所差異，因此在實際應用中還須根據具體情況具體選擇。

4.3 基于多變量MIDAS模型對三亞旅游需求的預測分析

通過相關性分析發現，高頻變量即百度指數數據間存在很強的相關性，因此本文選取C-MIDAS模型作為多變量MIDAS 模型來克服多重共線性問題，C-MIDAS 模型的賦權方式選取3 種：等權重賦權、AIC準則賦權和RMSE賦權。另外，本文考慮運用主成分分析法將所選百度指數數據通過賦予權重合成一個綜合指數構建MIDAS 模型進行預測，由于結合了多個高頻信息，因此本文將基于主成分構建的MIDAS 模型也歸納為多變量MIDAS 模型。基于3 種賦權方式的C-MIDAS 模型和基于主成分的MIDAS 模型均是結合上述8 個百度指數數據構建的，且預測區間仍選取 2017年7月—2018年6月共12 個月的三亞旅游人數增長率，預測結果如表2所示。表2 中的rARMA指標與上文相同（即基于8 個百度指數構建的多變量MIDAS 模型與ARMA 模型RMSE 的比值），rARMAX指標中同頻模型的構建分別與基于3 種賦權方式的C-MIDAS 模型和基于主成分的MIDAS 模型相一致①與基于3種賦權方式的C-MIDAS模型相一致的同頻模型是指分別基于等權重賦權、AIC 準則賦權和RMSE 賦權所構造的組合ARMAX（C-ARMAX）模型，與基于主成分的MIDAS模型相一致的同頻模型是指運用主成分分析法提取平均化后的8 個月度百度指數數據的主成分，構建基于主成分的ARMAX模型。（即基于8 個百度指數構建的多變量MIDAS 模型與相應多變量ARMAX 模型RMSE 的比值），百分比是指多變量MIDAS 模型在既定h下，預測誤差小于表1 中單變量MIDAS 模型所占百分比。

由表2 可以看出，多變量MIDAS 模型的預測結果能夠進一步驗證單變量MIDAS 模型所得結論，即百度指數的加入能夠提高旅游人數的預測精度、混頻數據的加入能夠改善同頻模型的預測效果、向前預測步數不同導致混頻模型的預測效果有所差異。除此之外，由表2還可以得出以下結論：

第一，結合多個高頻數據信息在一定程度上有助于改善預測效果。無論是同頻預測還是混頻預測，總體而言，不同形式的多變量模型的預測效果優于單變量模型，這是由于多變量模型結合了多個百度指數的信息，能夠更為充分地體現游客對三亞旅游的搜索行為和關注度，因此多變量模型能夠使得預測效果得到改善。

第二，基于3 種賦權方式的C-MIDAS 模型預測效果有所差異。就3 種賦權方式的C-MIDAS 模型預測誤差的平均值而言，基于RMSE 賦權所構建的C-MIDAS 模型預測誤差最小，其次是等權重賦權，預測效果最差的是基于AIC 準則賦權且此時改善單變量MIDAS 模型預測效果的情況也最少，這是由于C-MIDAS 模型的構建是按一定標準賦予權重，AIC 準則賦權和等權重賦權并不能保證模型所賦權重大小與預測精度大小是相對應的，而RMSE賦權則不會出現這一問題，因此預測效果更好一些。

第三，主成分分析法在混頻預測中具有有效性。對于同頻模型來說，基于主成分的ARMAX 模型的預測效果不僅優于ARMA 模型，同時也優于組合ARMAX（C-ARMAX）模型；對于混頻模型來說，總體而言，基于主成分的MIDAS 模型預測效果相較于3種賦權方式的C-MIDAS 模型更優，這一結論在向前預測步數h=1～4 時表現的更加明顯，此時預測誤差小于單變量MIDAS 模型的占比為100%，但在向前預測步數h=5～8時預測效果較差一些，因此，無論是同頻預測還是混頻預測都充分說明了將搜索行為和關注度指標與主成分分析法相結合在預測三亞市旅游需求中具有重要意義。

表2 多變量MIDAS模型的預測結果Tab.2 Forecast results of multivariate MIDAS models

4.4 三亞旅游需求的混頻預測分析

根據上述實證分析所得結論可以發現，百度指數與混頻預測相結合對三亞市旅游需求的預測具有有效性，進一步地，本文構建基于主成分的MIDAS 模型并令h=4 和h=8 分別對 2018年7月和 8月的三亞市旅游人數增長率進行預測，并將旅游人數增長率數據轉換為旅游人數數據，預測結果顯示2018年7月和 8月的旅游人數分別為：1 369 032 人和1 613 304人。相比于5月和6月旅游人數有了明顯的增加，這是由于7月和8月是暑假期間，雖然氣候環境的適宜性沒有達到最佳，但由于學校放假等因素使得三亞市的旅游需求增多，因此旅游人數的增多符合實際，并可以發現三亞旅游人數的同比增長率仍呈現高于10%的同比增長趨勢。

5 結論與展望

本文將混頻預測思想納入區域旅游需求的預測中，將百度指數周數據作為高頻解釋變量對三亞市旅游人數增長率進行預測，通過分析多個模型的預測結果，可以得出如下結論：無論是同頻模型還是混頻模型，百度指數周數據的加入有助于提高三亞旅游需求的預測精度，多變量模型的預測效果較單變量模型更優，且主成分分析法在旅游人數的預測中具有有效性；無論是單變量MIDAS 模型還是多變量MIDAS 模型，都可以得出混頻模型的預測效果優于同頻模型，向前預測步數的不同使得混頻預測的預測效果也有所差異；對于C-MIDAS 模型來說，基于RMSE 賦權具有最優的預測效果，但在短期偽樣本外預測時，C-MIDAS模型的預測精度不如基于主成分的MIDAS 模型。另外可以發現，滯后階數、權重函數等的選取都沒有一個確定的答案，因此還需根據不同時間不同區域進行選擇；最后，通過結合百度指數與混頻模型對2018年7月和8月的旅游人數進行預測，可以發現預測結果符合實際，且三亞旅游人數同比增長率仍呈高于10%的較高速增長趨勢。

結合本文的相關研究筆者發現，基于百度指數和混頻模型對三亞旅游需求的預測具有有效性，百度指數與混頻模型相結合使得旅游需求的預測兼具時效性和準確性的特點，而相較之下，同頻預測則相形見絀。本文所得結論，一方面能夠使得游客合理安排出行時間，避開三亞市的旅游高峰時段，以獲得最大效用；另一方面能夠使得三亞旅游當局有效配置旅游資源，避免景區超載引發安全性等方面的問題。另外，本文結論同樣也為其他地區或景點旅游需求的預測提供了新思路，游客及旅游業相關部門可據此及時準確地預測旅游人數，以實現該地區旅游業的蓬勃健康發展，具有指導意義和實踐意義。

當然，本研究還存在很多不足，如本文僅選用百度指數對旅游需求進行預測，但旅游需求可能還與游客需求的多樣性、環境的復雜多變性等因素相關，本文尚未對這一點進行討論。此外，單變量MIDAS模型和多變量MIDAS模型在現階段的預測是有效的，但無法保證未來的預測效果和有效預測的持續時間，這一點還有待未來進行實證檢驗。上述問題也將是下一階段的研究重點。