旅游市场的需求预测理论基础与模型
- 格式:docx
- 大小:179.22 KB
- 文档页数:8
解析旅游行业的旅游数据分析与市场预测旅游行业一直是全球经济发展中的重要组成部分之一,也是一项涉及众多领域的复杂产业。
为了更好地规划和运营旅游业务,数据分析和市场预测成为了不可或缺的工具。
本文将通过解析旅游行业的旅游数据分析与市场预测的方法和意义,展示其在旅游业中的重要性和应用。
一、旅游数据分析的方法和工具旅游数据分析是利用统计学和数据科学的方法来研究旅游行业中的信息和趋势。
通过收集、整理和分析大量的旅游相关数据,可以帮助决策者了解旅游市场的实际情况,为业务发展提供科学依据。
以下是几种常见的旅游数据分析的方法和工具:1. 数据收集和整理:旅游数据的收集可以通过多种途径实现,例如调查问卷、数据库查询、网络爬虫等。
收集到的数据需要进行整理和清洗,以确保数据的准确性和一致性。
2. 数据可视化:将数据转化为可视化图表是理解和解读数据的重要工具。
通过制作饼图、柱状图、折线图等图表,可以更直观地展示旅游市场的趋势和特点。
3. 预测模型和算法:利用统计学和机器学习的方法,可以构建旅游市场的预测模型。
常见的预测算法包括时间序列分析、回归分析、神经网络等。
这些模型可以利用历史数据来预测未来的市场趋势和需求。
二、旅游数据分析的意义和应用1. 了解客户需求:通过对旅游数据的分析,可以了解客户的喜好、偏好和需求。
例如,通过分析游客的选择偏好,旅游企业可以针对不同的目标客户提供个性化的产品和服务,从而提高客户满意度和忠诚度。
2. 拓展市场份额:通过分析旅游市场的规模、增长率和竞争情况等因素,可以为企业制定合理的市场拓展策略。
同时,通过对竞争对手的数据进行分析,也可以制定有效的竞争策略,提升企业在市场中的竞争力。
3. 提高营销效果:通过数据分析,可以了解不同营销渠道和策略的效果。
例如,分析不同广告渠道的转化率和ROI,可以优化广告投放的成本和效果,提高市场推广的效益。
4. 风险管理:旅游行业涉及到多种风险,包括自然灾害、政治风险、健康风险等。
基于大数据的旅游需求分析与预测模型设计随着大数据技术的快速发展和互联网的普及,旅游行业逐渐意识到大数据对于旅游需求分析和预测的重要性。
通过分析和挖掘大数据,能够帮助旅游行业更好地了解游客的需求和喜好,提供个性化的旅游产品和服务,提高竞争力。
因此,基于大数据的旅游需求分析与预测模型设计成为了旅游行业的研究热点。
一、旅游需求分析1. 数据采集与处理为了进行旅游需求分析,首先需要采集和处理各类相关数据。
这些数据可以来自于旅游网站、在线旅游平台、社交媒体、酒店预订系统、导航软件等。
通过收集游客的行为数据、喜好偏好数据、评论数据、地理位置数据等多种数据源,可以全面了解游客的需求和行为习惯。
2. 数据挖掘与分析数据挖掘是通过运用统计学、机器学习和人工智能等方法,对大量的数据进行模式发现和规律挖掘的过程。
在旅游需求分析中,可以利用数据挖掘技术,识别出游客的兴趣爱好、旅游动机、出行周期、旅游产品偏好等信息。
例如,通过关联分析可以得知某些旅游景点与特定年龄段游客的偏好相关,通过聚类分析可以将游客划分为不同的群体,通过分类算法可以推测游客的出行意图。
3. 可视化与报告旅游需求分析的结果需要以可视化的方式呈现,以便于管理者和决策者理解和利用。
通过使用各种图表、地图和图形等可视化工具,可以清晰而直观地展示游客的需求和市场趋势。
同时,还可以生成详细的报告,对旅游市场进行深入分析,为旅游企业的战略决策提供依据。
二、旅游需求预测模型设计1. 建立数据模型在旅游需求预测中,可以通过建立各种数据模型,对未来一段时间内的旅游需求进行预测。
常用的模型包括时间序列模型、回归分析模型、神经网络模型等。
这些模型可以利用历史数据,分析时间序列的趋势和周期性,识别影响旅游需求的关键因素,进行趋势预测和预测误差分析。
2. 数据特征选取在建立预测模型时,需要针对旅游需求相关的各种特征进行选取。
这些特征可以包括季节性、气候、人口密度、经济发展水平、政策环境等因素。
旅游行业中的大数据分析与旅游预测模型研究随着科技的发展和互联网的普及,大数据分析在各行各业中的应用越来越广泛,尤其在旅游行业中,大数据分析已经成为提高效率、优化服务和预测市场需求的重要工具。
本文将探讨旅游行业中大数据分析的应用和旅游预测模型的研究。
旅游行业是一个庞大的产业,涵盖了航空、酒店、旅行社等多个领域。
这些领域都产生了大量的数据,包括用户行为数据、交通数据、消费数据等。
通过分析这些数据,旅游企业可以了解用户的消费习惯、趋势和偏好,从而优化服务、提高满意度和实现精准营销。
大数据分析在旅游行业中的应用主要包括以下几个方面:一、用户画像分析通过收集用户在旅游过程中的行为数据,如搜索记录、浏览路径、订单信息等,可以对用户进行画像分析。
通过分析用户的购买倾向、出行偏好和消费能力,旅游企业可以精准推荐产品和个性化定制服务,提高用户黏性和满意度。
二、市场需求预测通过分析大量的市场数据,如交通状况、天气预报、节假日安排等,可以预测旅游市场的需求。
例如,在长假期间,热门旅游景点可能会出现人满为患的情况,通过大数据分析,旅游企业可以提前预测到这种情况,调整行程安排和资源分配,提供更好的服务。
三、航班和酒店价格优化通过分析航空公司和酒店的历史数据,如订票量、选座情况、入住率等,可以优化航班和酒店的价格策略。
例如,通过大数据分析,航空公司可以根据航班预订情况和竞争对手的价格变化,调整机票价格,实现收益最大化。
四、航空安全管理航空行业是一个高度安全敏感的行业,通过分析航班数据、机场安检数据和乘客信息,可以提前预测和排查潜在的安全风险。
例如,通过大数据分析,可以发现乘客的异常行为和行李X光图像中的可疑物品,及时采取措施,确保航空安全。
在旅游行业中,旅游预测模型是进行大数据分析的重要工具。
旅游预测模型通过分析历史数据、市场趋势和相关变量,预测未来的旅游需求和市场走向。
常用的旅游预测模型包括时间序列分析、回归分析和时间序列回归分析。
基于大数据分析的旅游需求预测模型构建随着大数据时代的到来,大数据分析被广泛应用于各个行业。
旅游业作为一个信息量巨大且复杂的行业,也开始积极采用大数据分析来预测旅游需求,以更好地满足消费者的需求和优化旅游资源配置。
本文将探讨基于大数据分析的旅游需求预测模型构建,并介绍该模型的应用和挑战。
一、大数据分析在旅游需求预测中的应用大数据分析在旅游需求预测中扮演着重要的角色。
通过收集与旅游相关的大量数据,如用户的搜索记录、交通状况、气象数据、社交媒体数据等,可以建立旅游需求预测模型,以准确预测旅游需求的发展趋势和消费者行为。
具体应用如下:1. 旅游热点预测:通过分析用户的搜索记录和社交媒体数据,可以得出用户对不同旅游目的地的兴趣和热度。
基于这些数据,可以预测出未来几个月或一年内的旅游热点,为旅游企业和政府部门提供重要参考。
2. 旅游产品推荐:通过分析用户的个人特征和历史行为数据,可以建立用户画像,并预测出用户可能感兴趣的旅游产品。
基于这些预测结果,旅游企业可以向用户提供个性化推荐,提升用户满意度和购买意愿。
3. 旅游资源优化:通过分析各类数据,如人流量数据、天气数据等,可以预测出各个旅游景点的客流量和收入情况。
基于这些预测结果,旅游企业和景区管理部门可以合理规划资源配置,优化旅游服务,提升效益。
二、基于大数据分析的旅游需求预测模型构建方法基于大数据分析的旅游需求预测模型通常包括数据收集、特征选择、模型训练和模型验证四个步骤。
1. 数据收集:首先,需要确定用于旅游需求预测的相关数据类型,如用户搜索记录、交通状况、气象数据、社交媒体数据等。
然后,通过合作伙伴或数据采集工具获得这些数据,并进行清洗和整理,以确保数据的准确性和一致性。
2. 特征选择:在大数据中,可能存在大量的特征变量。
为了有效构建预测模型,需要对这些特征进行筛选和选择。
通常可以使用统计方法、机器学习方法或领域专业知识来确定重要的特征变量。
3. 模型训练:选择合适的机器学习算法或数据挖掘技术,如回归分析、决策树、神经网络等,对已筛选好的特征变量进行模型训练。
旅游人数预测模型的建立与应用旅游人数预测模型的建立与应用旅游是人们休闲、放松和探索世界的一种方式。
随着社会经济的发展和人们生活水平的提高,旅游业在全球范围内呈现出蓬勃的发展势头。
然而,对于旅游从业者来说,了解和预测旅游人数是至关重要的。
建立和应用旅游人数预测模型,可以帮助旅游从业者做出更加准确的决策,提高业务运营效率。
首先,建立旅游人数预测模型需要收集和整理相关数据。
这些数据可以包括过去几年的旅游人数、旅游目的地的吸引力指数、旅游季节的影响因素等等。
通过对这些数据的分析和挖掘,可以建立起一套完整的数据集,为后续的预测模型建立奠定基础。
接下来,可以选择合适的预测模型进行建模。
常见的旅游人数预测模型包括时间序列模型、回归模型和神经网络模型等等。
时间序列模型适用于对历史数据进行分析和预测,回归模型可以通过对影响因素的分析来预测旅游人数,而神经网络模型则适用于对大规模数据进行复杂的非线性建模。
根据实际情况和需求,选择适合的模型进行建模。
在建立模型之后,需要进行参数估计和模型验证。
通过对历史数据进行训练,确定模型中的参数,并通过验证数据来评估模型的预测效果。
如果模型的预测效果较好,可以进行后续应用和决策。
在实际应用中,旅游人数预测模型可以帮助旅游从业者做出更加准确的决策。
例如,在旅游旺季前,可以根据预测模型得到的结果来调整旅游产品的供应量,以满足需求;在旅游淡季时,可以根据预测模型来制定促销活动,吸引更多游客前来旅游。
通过合理利用预测模型,旅游从业者可以提高业务运营效率,提供更好的服务。
总而言之,旅游人数预测模型的建立与应用对于旅游业来说是至关重要的。
通过收集和整理相关数据,选择合适的模型进行建模,并进行参数估计和模型验证,可以帮助旅游从业者做出更加准确的决策。
这不仅提高了业务运营效率,还能够为旅游者提供更好的旅游体验,推动旅游业的可持续发展。
旅游需求的预测预报随着旅游业的不断发展,旅游需求的预测预报越来越重要。
预测旅游需求可以帮助旅游从业者更好地规划和管理旅游资源,提高旅游业的效益和竞争力。
旅游需求的预测预报是指对未来一定时间内旅游市场的需求进行预测,以便旅游从业者能够及时调整旅游业的整体规划和开发方案。
旅游需求预测和预报主要基于市场的经济指标、政治状况、环境和社会因素等综合因素,以确定未来旅游市场的需求情况。
对于旅游业从业者来说,预测旅游需求非常重要。
首先,预测旅游需求可以帮助企业及旅游从业者做好旅游接待的准备工作,如安排足够的旅游资源、规划好旅游路线,提高旅游服务水平,以迎接旅游高峰期的到来。
其次,预测旅游需求还可以帮助企业和从业者了解旅游市场的趋势和变化,及时调整旅游产品和服务,以适应市场需求,提高收益。
预测旅游市场需求的方式很多,一般分为定性预测和定量预测。
定性预测是根据专家、从业者或感性理解等主观因素分析得出的结论。
通常这种预测方法适用于在市场传统流行的产品研发以及较早的市场调查。
在旅游业领域,定性预测的方法包括各种会议和研讨会,旅游领导和专家的策略性计划,以及各种调查问卷。
另一种预测方式是定量预测。
定量预测是利用大量、统计数据、历史数据等客观因素,通过数学模型,预测未来旅游需求。
比如通过对历年旅游资源利用率的变化来预测未来旅游市场需求量;通过消费者的购买欲望、国民生产总值、人口数量等因素来预测未来收入和支出变化的影响,并以此来预测未来旅游需求的增长和稳定。
除此之外,还有其他一些预测模型和方法,例如基于人工智能的预测模型、基于比较市场分析和竞争逼真度的预测方法、基于时间序列数据的预测方法等。
这些方法都有其优点和不足,在实践中需要根据具体情况进行选择。
总之,旅游需求的预测预报在旅游业的发展中扮演着举足轻重的角色。
旅游工作者需要对旅游业进行专业化的研究,积极探索针对不同地区、不同旅游产品和服务的预测模型和方法,以及快速解读、分析大量数据。
旅游需求预测模型探析信息与计算科学 2005级郭敏指导教师石立新讲师摘要:随着旅游产业的蓬勃发展及在全球范围内的不断推进,有关旅游需求的研究向更深更广的领域展开。
需求预测有助于旅游企业掌握旅游需求的基本规律,从而制定有针对性的服务战略,以有效协调服务供需的矛盾。
同时也有利于旅游企业科学合理的引导旅游者可持续消费,进而实现旅游的可持续发展。
本文采用计量经济法,着重探讨旅游需求预测中的模型构建。
并以攀枝花市为例,对AIDS模型进行验证。
关键词:旅游需求,预测,计量经济法,AIDS模型Travel demand forecast modelGUO Min Information and Computational Science, Grade 2005Directed by SHI Li-xin (Lecturer)Abstract:With the rapid development of the tourism industry and on a global scale continue to promote the study of tourism demand to the deeper and broader fields. Demand forecasts will help tourism enterprises to master the basic law of demand for tourism, so as to formulate the strategy of targeted services to the effective coordination of services to the contradiction between supply and demand. At the same time is also conducive to scientific and rational tourism enterprises sustainable consumption tourist guide, and proceed to realize the sustainable development of tourism. In this paper, measurement of economic law, focusing on the travel demand forecast model. And Panzhihua City, for example, to verify the model of AIDS. Keywords:Tourism demand, Forecasting, Econometric approach,AIDS modle1 绪论1.1 研究背景随着旅游产业的蓬勃发展及在全球范围内的不断推进,有关旅游需求的研究向更深更广的领域展开[1]。
旅游需求预测模型探析信息与计算科学 2005级郭敏指导教师石立新讲师摘要:随着旅游产业的蓬勃发展及在全球范围内的不断推进,有关旅游需求的研究向更深更广的领域展开。
需求预测有助于旅游企业掌握旅游需求的基本规律,从而制定有针对性的服务战略,以有效协调服务供需的矛盾。
同时也有利于旅游企业科学合理的引导旅游者可持续消费,进而实现旅游的可持续发展。
本文采用计量经济法,着重探讨旅游需求预测中的模型构建。
并以攀枝花市为例,对AIDS模型进行验证。
关键词:旅游需求,预测,计量经济法,AIDS模型Travel demand forecast modelGUO Min Information and Computational Science, Grade 2005Directed by SHI Li-xin (Lecturer)Abstract:With the rapid development of the tourism industry and on a global scale continue to promote the study of tourism demand to the deeper and broader fields. Demand forecasts will help tourism enterprises to master the basic law of demand for tourism, so as to formulate the strategy of targeted services to the effective coordination of services to the contradiction between supply and demand. At the same time is also conducive to scientific and rational tourism enterprises sustainable consumption tourist guide, and proceed to realize the sustainable development of tourism. In this paper, measurement of economic law, focusing on the travel demand forecast model. And Panzhihua City, for example, to verify the model of AIDS. Keywords:Tourism demand, Forecasting, Econometric approach,AIDS modle1 绪论1.1 研究背景随着旅游产业的蓬勃发展及在全球范围内的不断推进,有关旅游需求的研究向更深更广的领域展开[1]。
幻灯片1第四章旅游需求预测幻灯片2本章主要内容●影响旅游需求的要素●旅游需求的时空分布●旅游需求预测模型●趋势外推模型●引力模型●特尔菲模型幻灯片3第一节影响旅游需求的预测●旅游需求:是在一定时期内,一定价格上,旅游者愿意而且能够购买的旅游产品的数量,即旅游者对某一旅游目的地所需求的数量。
幻灯片4一、影响旅游需求的要素●主要有两方面影响:●旅游客源地:涉及到客源地旅游需要的水平和旅游者个人的情况。
●旅游目的地:供给部分,包括资源的吸引力、旅游价格、接待设施条件等。
幻灯片5具体内容有以下6点:●经济发展水平,是影响旅游需求的决定性因素●(2007年我国人均GDP为 18268元,汇率6.83 )●人口特征(出生率,年龄,性别构成)●收入与闲暇(如可自由支配收入、带薪假期)●职业和教育水平(受教育程度越高,对旅游的需求越大)●资源和交通(旅游资源的吸引力越强,交通越便利,旅游需求越大)●价格和汇率(汇率下跌,如果价格不变,等于旅游价格下降,旅游需求增加)幻灯片6二、旅游需求预测资料的获取●按资料的来源和性质分两类:●第一手资料:为专门的研究目的而收集的资料。
●主要方法:调查法、观察法。
●第二手资料●来源主要有三个:●·企业内部材料;●·旅游报刊、杂志、调研专辑;●·国际和区域旅游组织和专业旅游市场调研机构年报及其他资料幻灯片7第二节旅游需求的时空分布集中性●旅游需求的一个显著的特点是需求随时间变化而出现剧烈的变化;●另一个特点是每一个旅游目的地都有自己相对稳定的客源地。
幻灯片8一、旅游需求的时间分布集中性● 1.季节性(时间)强度指数。
●旅游需求的时间分布集中性是由旅游的季节性所引起的,可以用季节性(时间)强度指数R来定量分析。
●R值越接近于零,旅游需求时间分配越均匀; R值越大,时间变动越大,旅游淡旺季差异越大。
幻灯片92.高峰指数Pn●旅游需求随时间的变化还可以用高峰指数来度量,高峰指数可以度量旅客某一时期对于其它时期利用旅游设施游览某旅游地的趋势。
隐马尔科夫模型(Hidden Markov Model, HMM)是一种用于建模时序数据的统计模型,可以用于分析旅游趋势并进行预测。
在这篇文章中,我们将探讨如何利用隐马尔科夫模型进行旅游趋势预测。
HMM模型由隐含状态和可观测状态组成。
在旅游趋势预测中,隐含状态可以表示旅游市场的周期性变化,可观测状态则是指我们可以观察到的实际数据,比如旅游人数、消费金额等。
通过对历史数据进行训练,HMM模型可以学习到不同状态之间的转移概率和观测概率,从而可以用于预测未来的趋势。
首先,我们需要收集和整理历史的旅游数据,比如每年的旅游人数、消费金额、目的地偏好等。
然后,我们可以利用HMM模型来对这些数据进行建模。
通过对历史数据进行训练,模型可以学习到不同状态之间的转移概率和观测概率,从而可以用于预测未来的趋势。
在预测过程中,我们可以将模型应用于最新的数据,通过计算每个状态的概率来预测未来的趋势。
比如,如果模型认为当前处于旅游市场低谷期,那么未来可能会出现增长的趋势;相反,如果模型认为当前处于高峰期,那么未来可能会出现下降的趋势。
除了预测整体的旅游趋势,HMM模型还可以用于预测特定目的地或旅游产品的趋势。
比如,可以针对某个特定目的地的旅游人数进行建模,从而预测未来的人流量变化;或者可以针对某个特定旅游产品的销售额进行建模,从而预测未来的销售趋势。
然而,HMM模型也有其局限性。
首先,模型的效果非常依赖于历史数据的质量和完整性。
如果历史数据中存在较大的噪音或者缺失值,那么模型的预测效果可能会大打折扣。
其次,HMM模型对于隐含状态的假设可能会过于简化,而实际的旅游市场往往受到众多因素的影响,比如政策、自然灾害、经济波动等。
因此,在使用HMM模型进行旅游趋势预测时,我们需要综合考虑其他因素,而不是单纯依赖模型的预测结果。
综上所述,HMM模型可以作为一种有力的工具来分析和预测旅游趋势。
通过对历史数据的建模和训练,我们可以利用HMM模型来预测未来的旅游市场走势,从而为旅游行业的发展提供参考和指导。
旅游市场的需求预测理论基础与模型旅游管理11级(硕)吴鸿成学号:21120078摘要随着我国经济的持续高速增长和人均收入的提高,我国旅游市场呈迅速扩张态势。
旅游业作为朝阳产业将对我国经济发展产生日益明显的推动作用,中国将成为世界一流旅游大国。
建立科学的、可操作的旅游需求预测模型,进行准确预测是实现我国旅游业持续健康发展的基础性前提。
通过文献阅读,发现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,并且列举了中国旅游需求影响因素的分类方法。
[关键词]旅游需求;预测;理论基础;模型1.背景旅游需求预测在国家旅游发展政策制定和战略规划、旅游市场资源优化配置、旅游企业战略计划和决策制定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始于20 世纪 60 年代,在 80年代迅速发展,研究文献主要侧重于旅游需求模型与实证分析。
而我国作为世界旅游大国,旅游需求预测研究从 20 世纪末才开始,正处于起步阶段,现有的文献主要是建立在西方研究基础上的理论引介与探讨,实证研究较少。
中西方研究差距与差异的对比对我国旅游需求预测研究的进一步推进有着积极的意义。
2.文献综述2.1旅游需求的影响因素旅游需求影响因素的研究是旅游需求预测研究的核心内容之一,是国内外旅游需求预测研究中相对成熟的领域。
国外在旅游需求影响因素研究方面主要运用定量方法构建模型来分析,并已有两种普遍较为认可的分类。
(1) 在《应用旅游预测》一书中,作者将影响因素分为推动、拉动和阻力(如表 1)。
表(1)旅游市场拉力、推力、阻力因素(2) 国外在运用模型分析影响因素时,其研究对象主要是经济因素。
如塞夫金(Sevgin)和穆尼奥斯(Munoz)在研究旅游需求时发现经济因素是影响旅游决策的一个重要方面。
宋海岩等通过研究香港的 16 个主要客源国的旅游需求,发现最主要的影响因素是旅游产品价格、客源国的经济水平、竞争旅游目的地的旅游费用等。
虽然国外对经济影响因素有较为一致的认可,但仍未有系统的归纳。
本文引用倪明等人的研究成果将影响旅游需求的因素归纳为经济因素、非经济因素和特殊事件(如图 2)。
图2:旅游需求影响因素国内现在研究旅游需求影响因素的文献较多,研究也较为细化。
如牛亚菲提出了客源地人口规模、收入水平、旅游资源质量水平、客源地与目的地间的距离等影响因素。
刘富刚认为旅游需求的产生分为外部因素和内部因素。
王艳平从旅游发生过程的系统观点出发,提出旅游需求因子层次模式。
卞显红分析了旅游目的地选择过程中的花费与时间限制、旅游价格、消费者偏爱、旅游产品质量、信息与广告、旅游城市化及新旅游目的地的出现等影响因素。
但除了可支配收入和可支配时间这两个普遍认可的影响因素外,国内学界对其他影响因素及分类说法不一,缺少系统性分析和归纳。
本文在研究有关文献的基础上,根据不同侧重点,并结合我国国情,归纳了两种分类方法:1.按宏观和微观分为社会因素和个人因素。
2.按旅游流分为客源地因素、目的地因素、媒介因素。
综观几种分类可以发现:国内外对于旅游需求影响因素的分析基本上是一致的。
《应用旅游预测》(Practical Tourism Forecasting)一书中提出的推力是指能鼓励人们出去旅游的因素,基本可以划为客源地市场的影响因素;拉力是指吸引人们来某一目的地旅游的因素,可以划分为目的地的影响因素;阻力则包含了阻碍因子,等同于国内的旅游流分类方法。
由于西方国家影响旅游需求的最主要因素是经济因素,其他非经济因素的影响力相对较弱,所以按照经济因素分类有利于国外学者建立模型进行研究和预测。
而影响我国旅游需求的主要因素除了经济因素外,家庭消费习惯、政治社会因素,以及日益改变的消费观念等都是较为主要的因素,因而只按经济因素的分类方法在我国不适用。
2. 2 旅游需求预测及难点至今,“旅游需求预测”仍未有统一的定义,本文引用市场预测的概念将旅游需求预测理解为:运用科学的方法,对影响旅游市场供求变化的诸因素进行调查研究,分析和预见其发展趋势,掌握旅游市场供求变化的规律,为经营决策提供可靠的依据。
旅游需求预测,从预测目标的确立到最后结果的评估,是个多环节的复杂过程,需要考虑的因素众多,正因为如此,旅游需求预测有几个难点。
(1)预测目标的选择旅游需求预测对预测的前期环境分析、模型的选择、最后结果分析的要求和依据都不一样,这就需要按照具体的实际需要制定预测方案,而这种目标选择的多样性相当于增加了预测的难度。
(2)历史数据的收集预测是在分析大量的历史数据的基础上才能得出结果。
大部分预测方法要求至少有 5 年至 10 年的数据支撑,拥有数据的年限越长、越完善、数据越丰富,预测结果越准确。
(3)旅游需求的多变性旅游者的旅游动机多种多样,且旅游需求量随着季节、环境的变化而变动性较大。
旅游表现经常变动形式越多,越不利于数据采集、构建模型、拟合需求的发展趋势。
加上旅游需求对无法预知的特殊事件的敏感性,更增加了预测的难度。
(4) 预测方法的多样性随着经济学和计量经济学的发展,及在旅游预测研究中的应用日益广泛,旅游需求预测的方法也日趋多样化。
因变量和自变量的不同组合,不同预测模型的应用,所得到的结果也不尽相同;而且由于各种预测方法有不同的适用条件和性能,最优方法的选择要根据市场需要来确定。
这在某种意义上来说,也限制了旅游需求预测研究的发展。
3 旅游需求预测方法与模型3. 1 旅游需求预测方法中西方普遍将旅游需求预测方法分为定量和定性两大类,定量方法又分为计量经济模型和时间序列模型,再加上近 20 年间各学科的交叉发展,人工智能方法在预测领域中的应用也越来越普遍。
但由于预测模型种类繁多,加上近年来组合模型的广泛应用,本文只初步对预测方法进行了收集(如图4)。
3. 2 中西方运用模型对比国内在定量方法的研究和应用方面与国外存在着很大的差距。
国外在旅游预测研究中采用的定量方法种类繁多,所列举的各类模型在国外都有不同程度的应用;反观国内,使用频率较高的只有一些基础模型和灰色预测模型,国外常用且已证明预测精确度较高的模型,如误差修正模型、接近理想需求方法、向量自回归、遗传算法等,在国内的研究及应用则寥寥无几。
本文列举了3个产生此问题的原因。
(1)国内外普遍运用的模型这些模型包括一元回归、多元回归、线性回归等基础计量经济/回归模型,天真法、移动平均预测模型、指数平滑预测模型等基础时间序列预测模型,ARIMA 模型( 自回归移动平均模型 ),BP图4.国内外使用的预测模型( backpropogation) 神经网络等。
这些方法普遍运用的原因有以下几点:①础模型数学计算简单,操作容易;②发展相对成熟,能对符合其条件的问题进行较准确的预测;③由于旅游业的相关数据搜集年限短、影响因素多、社会敏感性高等特点,这些模型对数据的要求相对传统的高级计量经济和时间序列模型较为宽松;④我国旅游业的发展现状及数据统计情况较适用于这些方法。
因此,这些模型在国内外的旅游预测研究中都极为常用。
(2)国内常用而国外少用的模型通过中西方文献研究发现,灰色系统理论(GST或 GS)在我国预测领域是主要的研究方法,但在西方国家的应用却很少,少数有关灰色系统理论的外文文献基本上都是亚太地区的研究。
原因有以下几点:①灰色系统理论是我国著名学者邓聚龙教授在1982 年创立的一门新兴横断学科,国内学者对此理论的掌握以及推广应用相比国外的预测理论及模型要容易很多。
因此,灰色系统理论在国内众多领域得到大力发展,并引入旅游需求预测。
②灰色预测方法着重研究“小样本、贫信息、不确定”问题,方法简便,并具有较高准确性。
由于我国统计制度的发展滞后,很多与旅游发展相关的统计数据无法获得,且旅游业受到众多因子的影响,具有显著的不稳定性和易波动性,这在灰色理论角度看来就是一个大的灰色系统。
基于此,灰色模型在国内在旅游市场预测的中运用广泛。
(3) 国外常用而国内少用的模型由图 5.可看出,国外常用的很多模型在国内研究中运用得不多,最为典型的是误差修正模型(ECM)和接近理想需求方法(AIDS)。
误差修正模型和接近理想需求方法属于高级计量经济模型,理论及运算难度较大,在建立模型前需要大量的检验和计算工作,操作性要求高;另一方面,我国计量经济理论在 20 世纪末才开始发展,旅游业的不稳定性和旅游相关统计数据的缺乏,使得类似这两种在国外应用性较强的预测模型在我国未能得到广泛推广。
3. 3 预测方法适用性比较国外学者在定量方法的预测精确度方面做了大量研究,较为一致的观点是:在现有的预测方法中,并无最优的适用于所有情况的模型或方法,但在对旅游人数的预测上,时间序列法优于回归模型法;而由于诸多影响因素对旅游者开支的影响远大于对目的地抉择的影响,所以回归模型在预测旅游者开支时会最有效。
国内方面,现有的研究基本上是在国外研究的基础上进行的,由于运用的预测模型类型较少、较简单,所进行的预测精确度对比研究只是针对基本和常用模型,很多国外常用的模型未有涉及。
定性方法方面,以德尔菲法为代表,虽然德尔菲法争议较大,但人们普遍承认,在不能使用其他方法的情况下,该方法在帮助旅游规划者和政策分析者预测可能的未来发展方向时颇有价值。
综上所述,在对一具体目的地进行需求预测时,应充分考虑到各种预测方法的特点、预测问题本身的特点以及时间、人员、费用、相关数据充分程度等制约因素,选择出最合适的方法。
4 结论与讨论我国旅游需求预测发展面临一些列的问题(1) 我国旅游需求预测研究落后于西方近 30年,虽然借鉴了西方的研究成果,但由于我国国情及我国旅游业逆向发展的特殊性,无法直接套用西方国家的研究方法和研究成果,需要根据我国的实际情况对旅游需求进行分析预测。
(2) 我国旅游需求预测正处于起步阶段,现有的研究仍不能构成完整的基础理论体系,加上我国旅游研究人员和旅游业界对旅游需求预测的重视程度不够,缺乏专业的旅游需求预测人员,因此在这方面的研究亟待深入。
(3) 我国旅游业的统计从上世纪末才开始,已有旅游统计指标体系仍待完善。
另外,在实际工作中大多只着重于入境旅游和旅游收入的统计,旅游消费、逗留天数等重要指标非常缺乏。
统计数据的缺乏是限制我国旅游需求预测发展的一个最重要的因素。
(4) 制约统计数据的另外一个因素是数据来源的缺乏。
我国的统计数据绝大部分都来自政府统计部门,缺少行业协会或商业性统计公司,而政府部门的资源和对行业的了解有限,无法涵盖所有需要的统计指标。
而国外则不同,很多专业的统计公司提供大量无偿或有偿的统计数据,为国外旅游需求预测发展奠定了基础。