论文部分内容阅读
本文以鄱阳湖生态经济区入境旅游市场为研究对象，利用近15年来相关旅游业的统计数据，通过ARIMA模型预测并分析该市场在未来几年的发展趋势，以期为鄱阳湖生态经济区旅游业的发展提供依据。
一、研究原理
目前，学界逐渐重视区域旅游业发展的趋势预测，在入境游客量预测、国内游客量量预测等方面，建立了各种方法和模型。在对国内旅游市场游客量需求的预测中，常用的方法有多元回归模型、神经网络模型、灰色预测模型、引力模型及一般时间序列模型等，这些方法可以反映游客变化的一般趋势，但预测结果受突发情况（如SARS事件）的影响比较大。ARIMA作为统计预测中的一个重要模型，被广泛运用于各个领域，由于ARIMA模型则能够较好地克服随机干扰问题，近年来，也被运用与旅游业游客量的预测中。
ARIMA模型全称自回归移动平均模型（Autoregressive Integranted Moving Average Model，ARIMA），由博克思（Box）和詹金斯（Jenk-ins）于70年代初提出。其中ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归，p为自回归项;MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。
ARIMA模型的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用数学模型来描述，模型被识别后可以从时间序列的过去值及现在值来预测未来值。
二、研究步骤
（1）根据时间序列的散点图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋势及其季节性变化规律，对序列的平稳性进行识别。（2）对非平稳序列进行平稳化处理。如果数据序列是非平稳的，并存在一定的增长或下降趋势，则需要对数据进行差分处理，如果数据存在异方差，则需对数据进行技术处理，直到处理后的数据的自相关函数值和偏相关函数值无显著地异于零。（3）根据时间序列模型的识别规则，建立相应的模型。若平稳序列的偏相关函数是截尾的，而自相关函数是拖尾的，可断定序列适合ARIMA模型;若平稳序列的偏相关函数是拖尾的，而自相关函数是截尾的，则可断定序列适合ARIMA模型;若平稳序列的偏相关函数和自相关函数均是拖尾的，则序列适合ARIMA模型。（4）进行参数估计，检验是否具有统计意义。（5）进行假设检验，诊断残差序列是否为白噪声。（6）利用己通过检验的模型进行预测分析。
三、研究假设
（一）预测指标的选择
本文选择入境旅游人数和入境旅游外汇收入，进行模型分析，对未来入境旅游市场发展进行预测。
（二）研究假设
假设1：利用ARIMA模型预测鄱阳湖生态经济区入境旅游市场发展趋势是可行的。
假设2：基于时间序列模型的拟合度较好，其预测值具有可信性。
四、鄱阳湖生态经济区入境旅游市场发展趋势分析
本文选择1998-2013年鄱阳湖生态经济区15年的入境旅游人数和入境旅游外汇收入为实验数据（见表1），构成研究对象的时间序列，采用ARIMA模型建立时间序列模型，并预测至2015年鄱阳湖生态经济区入境旅游市场的发展趋势。
根据上述数据，利用SPSS17软件，建立ARIMA模型，得出结果（见图1和表2），从结果中可知ARIMA预测值与实际值拟合度较高，除了一些特殊年份以外误差比例都保持在10%以下（1998年预测值高于实际值是因为东南亚金融危机影响，2003和2004年是由于SARS风波导致预测值与实际值不符），最低误差率仅为0.95%。
由此，ARIMA模型预测的2014年和2015年鄱阳湖生态经济区入境旅游收入分别为57 715万美元和62 801.3万美元，以及入境旅游人数178.52万人次和192.35万人次，非常具有参考价值，能为相关部门和企业在制定旅游发展规划时，提供有效的数据支撑。
一、研究原理
目前，学界逐渐重视区域旅游业发展的趋势预测，在入境游客量预测、国内游客量量预测等方面，建立了各种方法和模型。在对国内旅游市场游客量需求的预测中，常用的方法有多元回归模型、神经网络模型、灰色预测模型、引力模型及一般时间序列模型等，这些方法可以反映游客变化的一般趋势，但预测结果受突发情况（如SARS事件）的影响比较大。ARIMA作为统计预测中的一个重要模型，被广泛运用于各个领域，由于ARIMA模型则能够较好地克服随机干扰问题，近年来，也被运用与旅游业游客量的预测中。
ARIMA模型全称自回归移动平均模型（Autoregressive Integranted Moving Average Model，ARIMA），由博克思（Box）和詹金斯（Jenk-ins）于70年代初提出。其中ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归，p为自回归项;MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。
ARIMA模型的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用数学模型来描述，模型被识别后可以从时间序列的过去值及现在值来预测未来值。
二、研究步骤
（1）根据时间序列的散点图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋势及其季节性变化规律，对序列的平稳性进行识别。（2）对非平稳序列进行平稳化处理。如果数据序列是非平稳的，并存在一定的增长或下降趋势，则需要对数据进行差分处理，如果数据存在异方差，则需对数据进行技术处理，直到处理后的数据的自相关函数值和偏相关函数值无显著地异于零。（3）根据时间序列模型的识别规则，建立相应的模型。若平稳序列的偏相关函数是截尾的，而自相关函数是拖尾的，可断定序列适合ARIMA模型;若平稳序列的偏相关函数是拖尾的，而自相关函数是截尾的，则可断定序列适合ARIMA模型;若平稳序列的偏相关函数和自相关函数均是拖尾的，则序列适合ARIMA模型。（4）进行参数估计，检验是否具有统计意义。（5）进行假设检验，诊断残差序列是否为白噪声。（6）利用己通过检验的模型进行预测分析。
三、研究假设
（一）预测指标的选择
本文选择入境旅游人数和入境旅游外汇收入，进行模型分析，对未来入境旅游市场发展进行预测。
（二）研究假设
假设1：利用ARIMA模型预测鄱阳湖生态经济区入境旅游市场发展趋势是可行的。
假设2：基于时间序列模型的拟合度较好，其预测值具有可信性。
四、鄱阳湖生态经济区入境旅游市场发展趋势分析
本文选择1998-2013年鄱阳湖生态经济区15年的入境旅游人数和入境旅游外汇收入为实验数据（见表1），构成研究对象的时间序列，采用ARIMA模型建立时间序列模型，并预测至2015年鄱阳湖生态经济区入境旅游市场的发展趋势。
根据上述数据，利用SPSS17软件，建立ARIMA模型，得出结果（见图1和表2），从结果中可知ARIMA预测值与实际值拟合度较高，除了一些特殊年份以外误差比例都保持在10%以下（1998年预测值高于实际值是因为东南亚金融危机影响，2003和2004年是由于SARS风波导致预测值与实际值不符），最低误差率仅为0.95%。
由此，ARIMA模型预测的2014年和2015年鄱阳湖生态经济区入境旅游收入分别为57 715万美元和62 801.3万美元，以及入境旅游人数178.52万人次和192.35万人次，非常具有参考价值，能为相关部门和企业在制定旅游发展规划时，提供有效的数据支撑。