基于數據挖掘的旅游行業風險預測和預警的控制模型

（西華大學，四川 成都 610039）

隨著全球經濟的飛躍性增長，旅游行業的發展逐步呈現指數型上升趨勢。對于我國來講，無論是經濟、文化，甚至環境都與旅游行業的發展密切相關。在經濟方面：旅游行業的直接作用是換取外匯（出口貿易）和回籠貨幣（穩定市場經濟）；間接帶動了國民經濟的發展：①促進了交通運輸業的發展；②促進了建筑業的發展；③促進了工商業、農副產品、手工業等行業的發展。在文化方面：有助于文明傳播。消極影響是指由于越來越多國際游客的到來，他們會將他們的生活方式帶到旅游地，其中不僅有文明的，健康的，值得學習的東西，也會有一些消極的思想和落后的生活方式。在自然環境方面：旅游行業的發展促進自然環境的美化和保護，但也加速了自然環境的污染和破壞。因此對于旅游行業的發展我們需要合理的進行預測，在破壞力度最低的情況下，及時的作出調整，使得旅游行業發展更為迅速，國家經濟效益得到更大的提升[1]。

通過翻閱資料我們發現，旅游行業在面對旅游危機方面主要有以下測策略：（1）制定較為完備的危機應對策略；（2）旅行社成立應對危機的管理機構、建立起危機預警系統；（3）激活旅游業，重塑旅游形象；（4）構建旅游服務網絡系統；（5）改善旅行社經營的模式。

對于目前國情結合2003年的非典對旅游行業造成了極大的影響，分析2003年的非典的旅游行業研究方法：（1）旅游危機對旅行社的深層剖析；（2）旅行社危機管理的抽樣調查；（3）我國旅行社行業經營體制分析；（4）我國旅行社經營管理上存在的主要問題；（5）旅行社應對旅游危機的策略；（6）制定較為完備的危機管理制度；（7）成立旅行社危機管理機構，建立危機預警系統；（8）積極激活旅游市場，重塑旅游形象；（9）構建旅游服務網絡系統；（10）調整旅行社經營目標模式[2]。

針對今年的疫情，我們將對以下三個問題進行分析和解決。

問題一：建立數學模型分析旅游行業的“基本面”，解答旅游從業人員的困惑。預測未來三年國內旅游市場的發展情況。

問題二：建立量化模型分析未來三年旅游行業投資的潛在風險和預期收益，給出旅游行業發展的新業態建議[3]。

問題三：今年的疫情爆發并非個例，也許每隔若干年就會有大規模的疫情出現，我們將為旅游行業構建一套比較實用的風控預警機制，并能夠在疫情出現后及時幫助行業做出調整。

對于問題一，運用灰色預測模型，結合Excel 和Spss 軟件，對數據進行挖掘，得出旅游行業未來三年的發展趨勢。

對于問題二，首先對各輸入量和目標變量進行了特征檢驗，將次要因素過濾后，并以同比增長的轉換率作為新的目標，利用Logistic 回歸模型分析預測出旅游行業的發展投資風險。后將整合的數據帶入時間序列模型，利用指數平滑預測的方法對未來幾年的預期收益進行了預測[4]。

對于問題三，先對數據進行篩選，然后用spss 的生存分析討論變量之間的相關性，根據顯著性看各變量能否由現有數據推廣到整體，之后繪出一系列的散點圖，可以直觀的看出各變量之間的相關性，根據散點圖分析可以得到變量之間的影響關系和對旅游行業的影響。

1 行業概況

1.1 旅游業的概念

旅游業是借助旅游資源和設施，專門接待游客，為游客提供游覽、餐飲、住宿和文化娛樂等服務的行業。旅游業在國際上被稱為旅游產業，即旅游業在性質上是一個經濟性產業，是一個國家或地區國民經濟的組成部分[5]。

1.2 旅游業的構成

旅游業的構成有幾種說法。一是從各行各業中為游客提供服務的角度分析，人們認為，旅游業主要由三大部分組成，即旅行社業、交通客運業和以飯店為主體的住宿行業。它們是旅游行業的三大支柱。二是從旅游市場的營銷角度分析，旅游業主要由五大部分構成，即除了上面的三大支柱外，還包括景點為代表的游覽場地經營部門和各級旅游管理部門[6]。

1.3 旅游業的行業特點

（1）旅游業具有綜合性。旅游業是集游、住、吃、購、娛等服務為一體的綜合性大產業。

（2）旅游業具有經濟性。發展旅游業最為根本的目的就是為了取得經濟效益。

（3）旅游業具有服務性。旅游業為游客提供的服務是一種能夠用于交易的特殊商品。

（4）旅游業具有帶動性。旅游業能帶動其他直接或間接為旅游者提供服務的產業發展。

（5）旅游業具有外向性。旅游業是一種跨地區和跨國界的人際交往活動。

（6）旅游業具有季節性。一個國家或地區的旅游業的季節性和該國或地區的旅游活動密切相關，而且是旅游活動是由季節所決定的[7]。

2 理論概述

2.1 問題一理論概述

對于問題一，使用了灰色預測模型?；疑A測模型：如果一個系統具有層次、結構關系的模糊性，動態變化的隨機性，指標數據的不完備或不確定性，則稱這些特性為灰色性。具備灰色性的系統被稱為灰色系統。由灰色系統建立的數學模型稱為灰色模型，它能了解系統內部事物連續變化的過程[8]。

灰色理論能夠建立微分方程預測模型，其主要依據為：

（1）灰色理論將隨機量當作是在一定范圍內變化的灰色量，將隨機過程當作是在一定范圍，一定時區內變化的灰色過程。

（2）灰色系統將無規律的歷史數據列經累加后，使其變為具有指數增長規律的上升形狀數列，由于一階微分方程解的形式是指數增長形式，所以可對生成后數列建立微分方程模型。所以灰色模型實際上是生成數列所建模型。

（3）灰色理論通過灰數的不同生成方式、數據的不同取舍、不同級別的殘差GM 模型來調整、修正、提高精度。

（4）對高階系統建模，灰色理論是通過GM(1，n)模型群解決的。GM 模型群即一階微分方程組的灰色模型。

（5）GM 模型所得數據必須經過逆生長，即累減生成做還原后才能應用[9]。

2.2 問題二理論概述

2.2.1 風險評估的方法概述

對于測量風險的模型有很多，比如：二元(多元)Logistic 邏輯回歸模型、神經網絡模型等。其中“神經網絡模型”是由大量的、簡單的處理單元(通常稱為神經元)，其大量的、廣泛的互相連接形成了復雜的網絡系統。它反映了人腦功能的許多基本特征，是一個高度復雜的非線性動力學習系統。神經網絡具有大規模并行、分布式存儲和處理、自組織、自適應和自學能力。通常應用在需要同時考慮許多因素和條件的、不精確和模糊的信息處理問題。對于問題二主要運用了Logistic 回歸模型加上數據特征分析方法，其運用如下文所示。

2.2.2 Logistic 回歸方法

Logistic 回歸函數又稱為邏輯回歸函數(也稱為增長函數)。Logistic 回歸與線性回歸有許多的相似之處，最大的區別是它們因變量的類型不同。Logistic 的因變量滿足二項分布，而對于線性回歸來說，其自變量和因變量都會連續性變量[10]。

2.2.3 Logistic 回歸的原理

Sigmoid 函數： g(z)=1/(1+e 負z 次方)

推導公式為：

然后采用最大似然估計法將隨機數據點被正確分類的概率最大化。假定y=1 和y=0 的概率為：

總結：Logistic 回歸是一種廣泛的使用算法，如果在進行回歸運算之前先進行特征值的篩選，這樣會使得回歸效果更好。因此在下面模型當中，對數據首先便進行了篩選處理。其另一個優點是非常容易實現，且訓練起來很高效，可作為數據基準，可以用來衡量其它更復雜的算法性能。

其缺點是只能用來解決非線性問題，因為它的決策面是線性的，所以對于線性問題需要進行轉換[11]。

2.3 問題三理論概述

2.3.1 生存分析的定義

生存分析是對生存時間進行分析的統計技術的總稱，生存時間是從某一時間點起到所關心事件發生所經歷的時間。生存分析是一種既考慮結局又同時考慮結局出現時間的統計分析方法。生存分析的目的就是描繪生存時間，生存時間多數情況下是連續型數據，但也存在生存時間為離散型數據的情況[12]。

如果該實例發生了我們感興趣的事件，那么 Ti 表示的是事件發生時間點到基準時間點之間的時間，同時 δi=1。

如果該實例未發生我們感興趣的事件，那么 Ti 表示的是事件發生時間點到觀察結束時間點的時間，同時 δi=0。

生存分析的研究目標就是對一個新的實例Xj，來估計它所發生感興趣事件的時間。

2.3.2 生存分析的基本概念

（1）事件。事件也稱為失效事件，指由研究者所規定的生存結局，根據研究目的的不同而不同。定義清楚事件是非常重要的，它直接關系到數據的記錄是否準確。事件的定義一定要在數據收集之前完成，而不是沒有定義清楚事件就開始收集數據，否則很可能做的是無用功。

（2）生存時間。生存時間是指從某一起點開始到所關心事件發生的時間，按失效事件發生或失訪（刪失）前最后一次隨訪時間記錄，常用符號t 表示。因為生存時間是生存分析的分析對象，所以對生存時間的長度確定至關重要[13]。

（3）刪失。刪失指觀察對象終止隨訪，事件發生未被觀測到或無法被觀測到以至于生存時間無法被準確記錄下來，不是由于失效事件發生，而是無法繼續隨訪下去。刪失分為右刪失、左刪失和期間刪失三種。只知道生存時間大于某一時間點，這種刪失稱為右刪失；只知道生存時間小于某一時點的刪失稱為左刪失；只知道生存時間在某一段時間之內的刪失稱為區間刪失，右刪失的情況最為常見。雖然刪失使得生存時間無法準確計算，但在生存分析時還是應該將其考慮在內，因為刪失數據會影響到最終的生存率結果。出現刪失的原因有：①中途失訪，包括拒絕訪問、失去聯系或中途退出實驗、死于其他與研究無關的原因，如：肺癌患者死于心肌梗死、自殺，或因車禍死亡。終止隨訪的時間被稱為死亡時間。②隨訪研究結束時觀察的對象仍舊存活，由于不清楚這些觀察對象發生失效事件的時間，他們的生存時間數據并不完整，因此其觀察值稱為截尾值（或刪失）。

生存函數又稱累積生存率，表達式：S（t）=P(T>t)（T為生存時間），生存函數的實際意義是生存時間大于時間點t 的概率。生存函數定義為隨機變量T 越過某個時點t 時，所有考察對象中，沒有發生事情的概率，也就是生存下來的概率。當t=0 時，生存函數取值為1，隨著時間推移（t增大），生存函數的值逐漸變小，因此生存函數是時間t 的單調遞減函數。根據生存函數，又可以提出累積風險函數，它的公式為：F(t)1s(t)，表示生存時間T 為超過時間點t 時，研究對象中，已經發生事件的概率。此外還有一個風險概率密度函數，它是累積風險函數的導數，公式如下：

風險概率密度函數表示某個時間點t 上，事件發生的概率。通過以上公式，最終我們可以得到風險函數，計算公式為：

表示生存時間T 達到時間點t 時，在接下來一瞬間，事件發生的概率。風險函數和生存函數之間可以互相推導，因此在生存分析中，既可以使用生存函數，也可以用風險函數，生存函數和風險函數是用來描述生存時間分布的兩個主要工具[14]。

2.3.3 生存分析的原理

生存分析描繪的是生存時間的分布情況，這里的分布指的是概率分布，如何描繪生存時間的分布情況呢？可以建立一個二維坐標圖，橫軸是時間長度，縱軸是事件發生概率，這就能很清楚的知道生存時間的概率分布情況了[15]。

2.3.4 生存分析的方法

生存分析的目的是得出生存函數，常用方法有壽命表法和Kaplan-Meier 法。不考慮其它實驗外因素（混雜因素），只考慮某個分類變量組間的生存時間分布情況，可以使用壽命表法和Kaplan-Meier 法。這兩種方法之間的區別在于生存時間的記錄方式不同，Kaplan-Meier 法的生存時間是通過記錄事件發生準確時間點得到的，而壽命表法則適用于事件發生的時間點無法準確記錄，只能確定事件發生在某段時間內。

（1）壽命表法和Kaplan-Meier 法的共同點：壽命表法與K-M 法都可以實現對生存時間分布進行描述性統計。

（2）壽命表法和Kaplan-Meier 法的區別點：

1）適用范圍不同。K-M 法適用于樣本量較少，每個被觀察個體事件所發生的時間點或刪失發生的時間點能夠被準確記錄下來的數據；而壽命表法適用于樣本量較大，生存時間分段記錄的數據。

2）基本思想不同。壽命表法將生存時間分成較多小的時間段，計算該段內的生存率，研究總體的規律；K-M 法計算每一個“結局”事件發生時點的生存率，除了分析總體的生存規律外，還需尋找與之相關的影響因素。

3）生存曲線不同。壽命表的曲線可以回答試驗時間內的生存率如何；而K-M 過程更傾向于回答某種干預因素實施后，生存時間的變化情況[16]。

4）統計方法不同。壽命表法采用Wilcoxon 法，K-M 過程則提供了Log rank 法、Breslow 法、Tarone-Ware 法。

3 構造旅游模型分析表

3.1 數據挖掘

由于所給數據具有不完整性以及存在各種不利因素，因此在進行后續模型的建立之前，對數據進行了預處理的工作。這個數據處理工作就是指在數據挖掘過程中的數據準備環節，其不但可以建模模型，也可以提高模型的準確度，對問題的解答更深入、更合理。所謂的數據挖掘是指從大量的、不完全的、模糊的、隨機的實際應用數據中去建立個屬性間的內在聯系，并對重復、有誤、缺失數據進行清洗、合并、更新的一個過程。常用的數據挖掘軟件有很多，主要有：SAS,SPSS,ECXEL 等。例如我們采用了Excel 軟件自帶的內插法法，對缺省的數據，在CEIC 官網上進行數據查詢并補全，因此我們主要使用了SPSS 和Excel 軟件。而對于數據的預處理通常會根據數據的不同情況進行相應處理。如缺失值、異常值、數值型變量；一般的方法有：刪除、替換（平均數、中位數-連續、眾數-離散）最大似然估計法、隨機森林、二值化等[17]。

3.2 問題分析

3.2.1 問題一分析

對于基本面,我們分析了旅游業的基本盈利模式、行業的優缺點、旅游公司的市值、旅游總收入的預測分析。根據建立模型分析出來的數據，預測未來三年國內的旅游市場的發展情況分析。

（1）旅游業的基本盈利式。旅游業本身的利潤薄，但是，旅游業的溢出效應明顯。所謂溢出效應是指一件事物的一個方面的發展帶動了其他放面的發展。我國旅游業的模式不盡相同，但是都有成功的。具體的分為一下幾類：

1）主要依靠獨特的自然資源獲得收益，比如黃山，石林等獨一無二的資源，獲得收益。黃山旅游公司在過去的幾年收入中，景點收入占60%左右的份額。

2）旅游產業鏈中，每個環節都力爭做到最好。如首旅集團，首旅集團不僅擁有六大環節的業務，而且每個業務都有很好的品牌和發展目標[18]。

3）借助網絡，網絡中介機構，旅游網站。

4）利用“旅游+房地產”模式。

5）旅游公司把旅游業作為副業。如中青旅，中青旅最初的業務是旅行社，但是，后來實行多元化戰略，業務涵蓋旅行社(入境游、國內游、出境游)、會展服務、烏鎮旅游、酒店、科技業務、福利彩票銷售、房地產銷售、物業出租等八個領域。

（2）旅游公司的市值。據中商情報網訊統計顯示，截止到2018年12 月28 日，2018年中國行業上市公司總市值排名前十的企業有：中國國旅、中青旅、騰邦國際、眾信旅游、凱撒旅游、嶺南控股、云南旅游、海航創新、麗江旅游、三特索道。值得關注的是，2018年中國旅游行業上市公司總市值排行榜主要統計了13 家滬深上市企業的市值排名，市值超過百億元的僅1 家。其中，2018年中國旅游行業上市公司總市值居第一的是來自北京市的中國國旅，市值達1175.39 億元。中青旅市值居第二，市值為93.3 億元。騰邦國際市值居第三，市值為55.73 億元。

（3）行業的優缺點：我國旅游業總收入不斷增長，旅游業發展迅速，產業規模不斷擴大，產業體系日趨完善。但總體來說我國旅游業仍處于一種低消費、低水平、中近距離旅游的狀態。雖然旅游的基礎設施和服務設施建設發展得很快，但仍不能適應國內旅游的發展速度[19]。

3.2.2 問題二分析

本題要求建立量化模型來分析未來三年旅游行業投資發展的潛在風險和預期收益，并給出旅游業發展的新業態建議。因此首先需要將所給數據進行一個歸納劃分。由于數據的分布很不均勻，且側重點不同，因此我們將統計結果分為了兩類，一類為旅游行業的社會經濟發展，一類為消費者和投資者的意向。由于數據量過少，我們采用滿足最少數據量的需求進行分配。然而還是會存在缺失值，以及變量類型存有搭配不符的問題，因此我們下面將著重解決問題。

3.2.3 問題三分析

預警機制即為能預先發布警告的一種制度，它能通過一些反?，F象，讓危險信號提前反饋給決策層，及時針對危險進行布置、防風險于未然。像這次疫情，雖然有征兆，但是我們沒有及時做出反應，采取相應的措施，我們還是低估了這次疫情造成的破壞，旅游業更是慘不忍睹，不僅游客量急劇減少而導致收入驟減，更有甚者直接面臨破產的嚴峻考驗。導致這些情況出現的原因就是我們沒有一套完整的預警機制，不能根據疫情出現前的征兆和相關數據來合理分析疫情會不會爆發，爆發的嚴重程度如何，怎樣根據疫情的輕重制定出相應的策略。

圖3.2.3(1) 風險預警機制過程

如何建立合理的預警機制阻止或降低疫情帶來的影響呢？首先我們要明確建立風險預警的過程，即以下四步：（如圖3.2.3(1)）

我們第一步要對有用的信息進行篩選，知道哪些因素可以預判疫情是否會爆發和疫情的走向；其次是如何根據這些信息來分析疫情，也就是評判標準是什么；然后我們根據這套預警體系來評估研究的結果是否合理，是否有使用價值；最后如果結果合理，能基本預測結果，那么我們就可以根據這個結果來在疫情到來前對旅游行業決策層進行及時提醒，并制定出相應的策略。

根據疫情的危害程度，我們需要對疫情進行等級劃分，即預警規劃。根據預警規劃來制定合理且有效的預警方案。在可能存在風險的情況下，如何將預警方案正確地應用于實際情況中，有效的發揮預警機制預防風險、減少損失的作用顯得尤為重要，實施方需準確掌握風險預警機制的實施流程。

圖3.2.3(2) 風險預警機制實施流程

3.3 變量的缺失統計分析

我們所統計的字段共有13 段，可卻包含了一些缺失值（空值），經過數據審核我們可以分析出各類信息的分布情況、均值、極值、標準差以及缺失值的個數和占比如圖三和圖四所示。

對于缺失值的處理，我們首先利用時間散點圖，觀察各因素是否存在季節性波動。其圖像如圖五所示，由圖可以并不存在季節性波動，近乎為類指數型的變化趨勢。對于缺失值我們采用插補的方法，由于數據統計的隨機性，因此我們針對不同數據的分布不同采用不同的變化形式，對于“旅游景區就業數”和“全國政府性基金支出增長指數”我們采用逆模型的方法進行處理；對于“旅游景區總數”采取對數Log10 進行處理；“學校數_旅游院校”采用取對數LogN 進行處理。將所有因素的分布都大致靠近于正太分布，利用正態分布的抵償性和統計隨機性，以各因素的平均值和標準差作為參考，進行隨機值的填補。

3.4 數據類型的處理和目標字段的選取

對于Logistic 回歸模型其目標變量類型為二值化(0,1)，因此我們需要進行變量轉化，我們將所給數據中“入境旅游總收入”+“國內旅游總收入”=“旅游總收入”。然后令轉化率p=“旅游總收入”/“旅游總支出”(含義：每一份旅游支出能轉化為多少的旅游收入)。然后采用同比增長制，以本年的轉化率與上一年轉換率相比，如果大于1 則令其值1，如果小于1 則令其為0，此間接測量因素我們設置為目標量，并取名為“提高度”。然而在之后的時間預測模型中，需要進行類型的轉換以及字段的填充。因此采用to_date()代碼進行數據類型的轉換。

4 模型的建立與仿真

4.1 問題一的模型建立與仿真

4.1.1 灰色模型的建立與求解

灰色系統理論建模要求原始數據必須等時間間距。首先對原始數據進行累加生成，目的是弱化原始時何序列數據的隨機因素，然后建立生成數的微分方程。建立時間序列為x(0)(1),x(0)(2),......,x(0)(n)，從2010年到2019年的國內和入境旅游總收入數據時間序列如下：

表4.1(4)

表4.1(1) 旅游總收入真實值和預測值

從2010 到2019年預測旅游收入，用SPSS 軟件對真實的旅游總收入和預測的旅游總收入進行相關性分析，預測旅游收入與實際的旅游收入的相關性高達99.7%。對旅游景區就業人數進行預測分析，發現旅游景區預測人數在未來三年也是增長的，對于疫情之后很可能會有“報復性消費”，旅游行業的經濟會恢復。

根據SPSS modeler 軟件分析旅行社數量、旅游院校數、景區總數、國內居民旅游人數對于旅游總收入的影響。結果如下圖，發現旅行社數量對于旅游總收入的影響是最大的。

灰色關聯度分析。首先，選取參考序列

x0(x0(1),x0(2),...,x0(k)，其中K 為時刻，K=1，2…,10。

M 個比較數列：

旅游總收入為因變量，景區總數為控制變量，其他因素與旅游總收入的相關性。（如表4.1（4））

第 1、2、3、4 分別為國內居民旅游人數、旅行社數量，國內居民人均旅游花費、旅游景區接待游客人數。

4.2 問題二的模型建立與仿真

經過上面的數據預處理，我們最終得到的風險數據集。然后將數表格進行保存，以便可以利用SPSS 系統可以打開。再利用Spss Modeler 軟件導入源文件。

4.2.1 進行線性回歸檢查

利用線性回歸的數據類型特點，我們將轉化率設置為目標點，采用分區設置，將訓練區間設置為20%，測試區間設置為80%，并為分區數據構建分割模型，以此更好地對數據進行客觀分析，減少偶然性誤差，去除冗余項。

在回歸分析中，采用逐步法的原理，對尚未添加到模型的輸入量進行評估，選擇最佳輸入量能夠顯著增加模型的預測能力。因此可以篩選出對于目標量有著重要影響的因素。

圖4.2.3(1) 數據特征分析流程

表4.2.3(1)

由此可以看出“旅游外匯收入增速”相對其它因素所占比例更大，因此需要更好的進行優勢放大。

4.2.2 Logistic 模型建立與仿真

對于Logistic 回歸模型，前面提到過，如果在模型分析之前對不必要數據進行預處理(刪除、清理)，那么可以大大提高Logistic 回歸模型的預測效果，因此我們將建模數據帶入，按照以下流程進行數據的特征分析。（如圖4.2.3(1)）

在數據特征分析過程中，通過分類目標，類別預測變量的p 值(重要性)以Pearson 相關系數來表示目標量與影響因素之間的相關度。相關系數的絕對值越大，相關性越強。相關系數越接近于0，其相關度越弱。因此我們可以將不重要因素給刪除，以提高Logistic 回歸模型的準確度。緊接著我們在進行分區實驗，將訓練分區大小和測試分區大小各占50%，然后進一步采用步進的方法開始模型仿真。

緊接著我們通過模擬擬合信息和案件處理總結可得中可以知道其預測提高度為1 的概率為77.8%，而為0 的概率為22.2%，并且其卡方檢驗的數值為9.535，由此可知其實驗結果具有一定的可信度。所以我國旅游行業未來的發展風險較低，大概率其提高度會持續為1，投入轉換率呈上升趨勢。（如其簡表4.2.3 所示）

將調整好的數據，把時間間隔調整成按年計算，并將觀察值由日期/時間字段進行指定。并考慮到季節的影響，我們采用指數平滑法St=aYt-1+(1-a)St-1。利用一次指數平滑預測，其預測公式為yt+1’=ayt+(1-a)yt’。然后根據數據數據的波動性調整a 值，其調整如下:

（1）當時間序列呈現較穩定的水平趨勢時，應選較小的a 值，一般可在0.05～0.20 之間取值；

（2）當時間序列有波動，但長期趨勢變化不大時，可選稍大的a 值，常在0.1～0.4 之間取值；

（3）當時間序列波動很大，長期趨勢變化幅度較大，呈現明顯且迅速的上升或下降趨勢時，宜選擇較大的a 值，如可在0.6～0.8 間選值，以使預測模型靈敏度高些，能迅速跟上數據的變化；

（4）當時間序列數據是上升（或下降）的發展趨勢類型，a 應取較大的值，在0.6～1 之間。

便可以預測出我國旅游未來5年的預期收入。

4.3 問題三的模型建立與仿真

4.3.1 對變量的分析

先進行變量之間的相關性分析，利用SPSS 做出各變量之間的顯著性關系。當顯著性P<0.05 時，在0.05 水平上顯著，說明事件至少有95%的把握能發生，該樣本就可以推廣到整體，研究得可靠程度才高。根據圖中關系查找得出各變量之間的相關性后，由SPSS 繪出各變量之間的散點圖。

由于旅游景區總數和旅行社數量之間有很強的正相關性，可認為旅行社的數量隨著旅游景區總數的增加而增加。

由散點圖分析出旅行社就業人數和旅行社數量之間存在較強的正相關性，由此可知，近年來隨著旅行社數量的增加，旅行社就業人數也跟著增加，看起來可能是好事，增加了不少工作崗位，但是也有可能導致的結果就是“無用”人員太多，讓旅游社行業呈現出一種重數量而不重質量的“病態”中。這樣下去，游客的心態肯定會受到一定的影響，最后可能導致旅行社行業不景氣，私人組隊出游的情況增加。因此，精減旅行社的數量顯得尤為重要。

由旅游總收入和時間的散點圖可知，旅游景區總數與旅游總收入之間存在高度的相關性，而且這個增長趨勢也隨時間越來越大。

4.3.2 建立預警機制

（1）建立突發疫情應對小組：傳染病疫情報告管理領導成員為傳染病暴發應急領導小組，負責出現重大疫情預警時的疾病確診，預警上報的指導工作，然后及時向決策層反映，讓決策層做出相應的應對措施。

（2）設定傳染病預警對象，一經發現，及時向有關衛生部門和領導小組反應：

1）發現甲類傳染病、疑似病人、和病原攜帶者，衛生部規定按照甲類管理的其他乙類傳染病和突發原因不明傳染病。2）發現不明原因的肺炎、不明原因的死亡病例。3）發現同一種急性傳染病。

（3）制定報告的方式：首次發現上述任何一種情況的病例，應于2 小時內及時上報，相關人員了解情況，確認后報告領導，由負責領導啟動預警預案，疫情管理領導小組成員對報告信息進行會診討論，最后決定是否報告疾控部門，并向相應部門和地點發出預警信息。

（4）建立責任制：各級人員應明確責任，對未及時上報傳染病信息，由此造成嚴重后果者，根據相關規定給以處理。

4.3.3 在疫情出現后的調整

當疫情爆發后，線下旅游實體企業的營業受到沖擊，旅游行業可以及時推出線上旅游產品，讓大家能足不出戶也能感受到旅游的樂趣。在疫情期間，一些中小旅游企業沒有收入來源，面臨破產的悲慘結局。在這期間，要合理合法的使用國家政府的扶持政策，來盡量讓自己度過這段危險期，而且這段時間，旅游企業要對自身優化，刪減不必要的分支機構和支出。而且經歷過這次疫情后，旅游也朝著健康旅游的方向發展，大眾也異常關心以健康的方式去旅游，旅游行業也應該把重心從注重數量轉移到注重品質上，從大眾景區轉變成優質景區。只要讓游客的體驗感得到提升，那么去旅游的游客數量自然也會增多，所帶來的收益將超乎想象。

5 模型的優缺點與優化方案

5.1 問題一模型的優缺點及改進方法：

優點：即使旅游行業的數據少也能大致預測出結果，結果也比較精確。缺點：（1）模型都是以原始的時間序列具有指數增長規律為基礎，而在現實中旅游行業只能呈現近似的指數整長規律；（2）對于旅游行業的數據具有極大的波動性和隨機性，不能簡單地說數據之間滿足單一函數關系。改進：建立多個模型進行數據對比分析。

5.2 問題二模型的優缺點及改進方法

優點：（1）模型二對異常數據進行了合理的處理，并對數據進行了篩選，很大程度上提高了模型仿真的準確性；（2）在運用模型進行預測的時候，巧妙地對時序數據進行了季節性檢驗，排除了時序干擾。

缺點：（1）數據量過少，且最終整合的數據實用性不廣泛，比較局限；（2）目標變量的的預測準確性不高。

改進：（1）旅游行業的其它新興項目對于旅游行業的發展也會起到很大的重要性，因此也需要結合起來；（2）多去查閱資料，補全旅游行業發展的影響因素，使得模型仿真結果嚴謹，普遍性和實用性更高。

5.3 問題三模型的優缺點及改進方法

優點：（1）充分利用了篩選的數據，使結果更具有說服力；（2）分析了不同變量之間的相關性，得出變量之間的關系。缺點：數據量太少，相關性分析可能會得到偶然性的結果。改進：使用多種不同的分析法對數據進行分析。

6 結論

6.1 解答旅游從業人員的困惑

（1）出境游市場目前來說，依然是可以靠信息差來獲取大量利潤的機會。分析各類平臺和各大旅行社的數據，都可以看到出境游業務在持續增長。

現在出境游產品，大部分為觀光游，品質和服務都一般，少量團隊開始做品質游。以東南亞為例，雖然頭部玩家已經占據了很大份額，但考慮到中國的人口紅利和東南亞旅游產品的普遍低質量，依然機會很大。旅游從業人員需要具備足夠強的供應鏈整合能力，并做好產品的創新和服務的提升，一定可以獲得大的發展。

（2）國內游市場傳統跟團游的機會已經越來小，競爭也越來越激烈。無論是供應鏈資源，還是服務品質提升，都已經很難有大的機會。旅游行業在國內發展到今天，跟團游產品已經極大豐富，供大于求，那就要尋求根本模式的改變和創新。

突破方向1：做真正的自由行產品，收益主要來源于高額得服務費。真正的自由行應該是攻略+供應鏈管理+服務的模式。

突破方向2：文旅主題游的時代已經到來。

國民對于旅游的需求，已經從打卡購物的時代，進入到了精神享受的層面。人們愿意為了文化價值認同和精神共鳴而選擇參加一場旅行活動，并且愿意花費足夠多的錢。文化+藝術+娛樂+旅行線路+營地+品牌，這些不同領域的內容交織在一起，會暴發出巨大的能量。

6.2 給旅游行業發展的新業態建議

6.2.1 輕戶外和旅行的結合

隨著全球經濟的發展，國內旅游已經逐漸呈現出開放式運營，很多旅行社都齊刷地把目光轉向城市周邊，對于戶外、露營、徒步、登山、房車、野餐、騎行等產品已經開始被挖掘和開發，事實證明這一系列的旅游新分支很好的結合了我國對于旅游政策的開放性，以及相當符合消費者的客觀需求。例如：輕戶外是一個前幾年就開始且被重視和提及的市場，攜程在很早的時候就布局了主題游，其中就包含徒步登山、騎行露營這樣的產品。但前幾年包括現在這依然是一個不斷增量的小眾市場，都知道方向但不知道趨勢紅利具體什么時候來。今年很多的供給大量加入，用戶得到不斷的教育和普及，可能會是戶外和旅行結合的起點。

6.2.2 旅游從業者的互聯網時代

今天小視頻、抖音、公眾號、微信都能創業者提供很好的自主創業機會，在川西、云南、新疆和西藏等旅游目的上不少的司機、領隊、導游都成為了各自領域里的“小網紅”，他們通過互聯網能夠找到足夠的存在感和好生活。因為成本低、接團少、個人背書反而能夠獲得更多地推薦。甚至有不少的“網紅領隊”開始接團反交給旅行社。從旅行社、公司里等著被派團到主動分配自己接不過來的團給旅行社，巨大轉變的背后，是互聯網提供給每個人的機會。

6.2.3 國內好產品被加速發現

國內優質旅行資源會被加速挖掘，很多人出不了國，無論主動和被動都要多一些目光給國內。這個時候旅行軟件和硬件都很不錯的目的地會受到歡迎，比如新疆、西藏和四川這些具有異域風情同時文化和自然資源都很豐富的地方。而對于外國友人來講，我國特有的風景資源更是得天獨厚，因此我們應大力結合當今網絡信息傳播的廣泛性和快速性，積極對國外旅游愛好者進行宣傳，將我國的旅游資源利用到極致。