我國國內旅游業復蘇趨勢預測

摘 要：本文利用時間序列SARIMA和Holt-Winters模型，對我國2011—2019年國內旅游總人數季度數據進行模型擬合，從而預測2020—2026年旅游總人數。結果表明，隨著經濟環境的改善和政策支持，旅游市場逐漸復蘇，國內旅游總人數呈現明顯的季節性波動。本文對中國旅游業的復蘇進程進行定量分析，揭示了當前旅游業市場的復蘇趨勢與面臨的挑戰，為優化旅游振興政策、調整市場策略及資源配置提供數據支持，并進行合理優化，旨在促進國內旅游業實現可持續發展。

關鍵詞：國內旅游總人數；SARIMA模型；Holt-Winters模型；旅游業；旅游經濟

中圖分類號：F592 文獻標識碼：A 文章編號：2096-0298（2024）12（a）--05

1 引言

旅游業作為第三產業的重要組成部分，不僅是經濟發展的強大引擎，還在促進社會文化交流、改善民生、創造就業機會等方面發揮著不可替代的作用。旅游行業的擴展能夠帶動多個相關產業的協同發展，如交通運輸、餐飲住宿、零售業等，從而構建起一個復雜而富有彈性的經濟鏈條。根據世界旅游組織（UNWTO）的統計數據，2019年全球旅游業的直接經濟貢獻已達到8.9萬億美元，占全球GDP的10.4%。我國旅游業的發展一直是國家經濟的重要驅動力。2019年，我國旅游業總收入達6.63萬億元，同比增長11%，占GDP的比重達11.05%。旅游業的高速發展不僅推動了區域經濟的繁榮，還為社會提供了超2800萬個就業機會。

近年來，我國政府高度重視旅游業的發展，并推出了一系列政策措施促進旅游市場的升級與轉型。2021年12月，國家發布的《“十四五”旅游業發展規劃》強調指出旅游業是被視為推動經濟增長的重要力量，并提出一系列促進旅游業發展的政策措施，包括加強旅游基礎設施建設、提升旅游服務質量、推動旅游產業與其他產業的融合發展等。這些政策的實施將為旅游業的發展提供有力保障，推動旅游業實現更高質量、更有效率、更加公平、更可持續、更為安全的發展。2024年5月17日，全國旅游發展大會的召開進一步強調了旅游業從小到大、由弱到強的發展歷程，已成為具有時代特征的戰略性支柱產業，同時也是關乎民生和幸福感的重要產業。另外，國家大力推動“全域旅游”發展戰略，鼓勵各地提升旅游產品和服務質量，增強游客體驗。同時，智慧旅游的推廣和景區的數字化建設，使旅游業的運營效率和服務質量得到了顯著提高。為進一步激發消費潛力，多個地方政府還通過發放旅游消費券等措施促進旅游消費，有效提振了公眾的旅游信心。

隨著旅游市場需求的增加，旅游人數成為衡量旅游業發展狀況的核心指標。在旅游人數預測方面，科學的分析和模型的構建對于了解市場波動、掌握未來趨勢至關重要。政府可以通過旅游人數的預測結果，預判市場的恢復速度，合理安排基礎設施建設及配套服務。對于企業而言，旅游人數的變化趨勢會影響市場規劃和經營策略，精準的預測能夠幫助企業根據市場需求靈活調整運營策略，提高市場響應能力。

過去，旅游人數預測主要依賴于傳統統計方法，然而，如今這些方法已難以應對旅游數據中存在的復雜季節性波動和長期趨勢變化。SARIMA（季節性自回歸積分滑動平均模型）和Holt-Winters模型，因其能夠捕捉數據中的季節性模式和趨勢波動，成為預測旅游人數的有效工具。這些模型能夠充分利用歷史數據，通過對長期趨勢和季節性波動的分析，提供更加精準的預測結果。本文采用SARIMA和Holt-Winters模型，對中國2011—2019年的國內旅游總人數季度數據進行了模型擬合，并預測2020—2026年旅游總人數。通過對歷史數據的分析，能夠了解旅游市場的季節性波動特征和長期發展趨勢，同時根據預測結果，對未來幾年旅游業的發展提供了科學依據，在政府部門制定旅游經濟政策時提供量化參考，也為旅游企業在市場規劃、資源調配和經營決策方面提供數據支持。

2 文獻綜述

我國關于旅游方面的預測研究已經有了很長時間，隨著大數據時代的到來，旅游需求預測對于旅游業的可持續發展、資源優化配置以及政策制定具有重要意義。對旅游人數的預測能夠更加鮮明的觀測到旅游的趨勢變化，地方城市也能根據變化制定相應的經濟政策和發展戰略。康俊鋒等（2020）、宋海巖等（2022）和武靜等（2023）都表示預測旅游人數和趨勢能給為景區和政府等部門提供旅游管理決策和旅游資源調配依據，以及更加科學全面的信息和數據支撐[1-3]。孫瓊等（2022）和楊京津（2023）表明挖掘旅游消費需求預測數據并構建模型提升預測精度，跟蹤旅游消費需求水平變化具有重要意義[4-5]。此外，程浩（2021）和劉炯（2023）表示旅游業是中國的新型產業，旅游業不僅帶動相關產業的蓬勃發展，還可以產生巨大的經濟效益，對中國的經濟發展起到了巨大的推進作用[6-7]。

很多學者通過構建ARMA、ARIMA等模型對所研究的內容進行預測。例如，李軍言等（2019）通過擴展ARIMA模型的應用范圍，豐富了旅游需求分析的理論基礎，并提供了一種基于ARIMA模型的旅游需求研究方法，對中國入境旅游人數進行更為精確的預測[8]。袁路妍等（2020）選取上海市的月度入境過夜游客數據作為樣本，基于AIC、BIC和HQIC最小化準則，對參數進行估計并確定了模型的最優階數，成功構建了一個高效的月度入境過夜人次預測模型[9]。此外，張翊（2023）運用ARIMA（1，1，0）模型對山東省入境旅游人數進行了預測，并通過ADF檢驗確保了數據的穩定性。研究結果顯示，該模型在預測精度上表現出色，為政府制定相關政策和規劃提供了有力的數據支持[10]。同時，馮瑤（2023）在其研究中應用SARIMA模型對九寨溝的游客量進行了預測。通過平穩性檢驗和參數估計后，建立了一個有效的預測模型，為旅游管理部門提供了決策支持[11]。這說明時間序列分析至今仍然對旅游人數有著很好的預測作用。

通過對旅游人數預測的相關文獻整理，可以看出旅游趨勢的預測可以為政府和企業提供重要的經濟指標，幫助其評估旅游業對當地經濟的貢獻，并制定相應的經濟政策和發展戰略。

3 旅游人數預測

3.1 數據來源與處理

數據來源包括三部分，分別是《中國文化文物和旅游統計年鑒》《中國旅游統計年鑒》以及中華人民共和國文化和旅游部（https：//zwgk.mct.gov.cn/zfxxgkml/）所提供的數據。收集了從2011年第一季度到2024年第二季度的國內游客總人數（以億人為單位）數據，將2011年第一季度至2019年第四季度的數據作為訓練集進行分析。繪制時序圖后，觀察到國內旅游總人數表現出整體上升的趨勢，且這種上升趨勢近似于指數型增長。為避免可能出現的異方差性問題，本文對原始數據進行了對數處理。

經過對數變換后，時序圖顯示序列的上升趨勢得到了一定的壓縮，從而縮小了變量尺度，減少了原始數據中的差異。然而，盡管取對數處理后的數據在尺度上得到了調整，序列的周期性特征依然十分明顯，且數據仍顯示出非平穩性。這表明，盡管對數處理有助于緩解異方差性的問題，但序列的基本趨勢和波動性特征仍需進一步分析和處理，以確保對未來趨勢的準確預測。

通過對指標數據進行對數處理后，發現數據存在明顯的季節效應，這表明數據中的趨勢和季節性變化對分析結果產生了顯著影響。因此，對指標數據進行一階四步差分。這一處理方法旨在消除數據中的趨勢性和周期性成分，從而使數據更符合平穩序列的要求。在完成一階四步差分后，觀察到該方法有效地提取了數據序列中的遞增趨勢和周期性趨勢，數據現在基本圍繞均值進行波動。數據序列不再顯現出明顯的非平穩特征，即經過一階四步差分后，數據的均值和方差變得更為穩定，使得后續的時間序列分析和建模工作更加可靠和有效。

為了更準確地判斷經過一階四步差分后的序列是否達到了平穩狀態，進一步對序列進行ADF平穩性檢驗和純隨機性檢驗。檢驗結果顯示，經過對數處理和一階四步差分后的數據序列的p值均小于顯著性水平0.05，說明序列平穩且非白噪聲。

3.2 模型的分析與預測

3.2.1 SARIMA模型

本文進一步分析季節性特征時，對差分后的序列進行自相關性和偏自相關性分析，首先繪制了自相關圖和偏自相關圖。自相關圖表現出一階截尾的特性，這表明序列的自相關性在一階之后迅速衰減。相對地，偏自相關圖呈現出拖尾的特性，說明序列的偏自相關性在多個滯后期內都具有顯著性。根據自相關圖和偏自相關圖，可以考慮設置自回歸（AR）部分的階數p為1或3，以及滑動平均（MA）部分的階數q為1或4，以有效提取差分后序列的季節自相關信息。季節性偏自相關函數（PACF）系數顯示拖尾現象，而季節性自相關函數（ACF）系數則表現為一階截尾。故考慮季節性部分的自回歸（P）階數應取0，而季節性滑動平均（Q）階數應取1。

根據差分后自相關圖和偏自相關圖的性質，構建備選模型，并根據信息最小原則，選取AIC值最小、似然函數值最大的模型作為最優模型。

通過對模型進行擬合并得出AIC值和似然函數值，綜合比較得出最好的模型為ARIMA（1，1，1）×（0，1，1）4，AIC為-5.60，似然函數值為5.80。根據參數估計結果可以得到擬合方程：

其中，logxt是對國內旅游總人數原始數據進行對數處理后的變量名稱，B是后退算子，εt是誤差項。對擬合后的模型進行殘差序列的白噪聲檢驗時，發現延遲6階以及延遲12階的檢驗p值均顯著高于0.05的顯著性水平。這表明，模型已經較好地擬合了數據并充分提取了信息。隨后，對模型參數的顯著性進行檢驗時，所有延遲階數下的p值均遠高于0.05的顯著性水平，進一步支持了殘差序列是白噪聲的結論。此外，從殘差序列的正態性檢驗中，QQ圖顯示殘差大致符合正態分布，表明該模型能夠有效捕捉和解釋原始數據中的重要信息，模型的整體擬合效果良好（限于篇幅未列出模型殘差序列的正態性檢驗圖）。

3.2.2 Holt-Winters三參數指數平滑模型

為了更準確地對時間序列數據進行擬合，研究引入指數平滑模型與SARIMA模型進行對比分析。考慮到原始時間序列具有顯著的非平穩性和季節性特征，因此選用Holt-Winters三參數指數平滑模型作為擬合的基礎。Holt-Winters模型的三參數包括水平、趨勢和季節性分量，能夠有效捕捉數據中的長期趨勢和季節波動。模型通過對時間序列的加權平均，平滑處理了原始數據的波動，從而對未來值的預測提供了更為穩定的基礎。通過對兩種模型的擬合效果進行評估，可以更全面地了解數據的結構，并選擇最適合的模型進行預測和分析。

根據三參數指數平滑模型進行預測得到2020年第一季度到2026年第四季度的預測數據。加法模型中該序列向前任意期的預測值為：xt+k=6.0496+0.2152k+Sj，乘法模型中該序列向前任意k期的預測值為：xt+k=（6.0763+0.2268k）×Sj，其中，， j為t+k期對應的季節。

3.2.3 模型比較

根據2011—2019年國內旅游總人數的季度數據，分別通過三個模型預測2022—2026年第四季度的國內旅游總人數，同2020—2024年真實的國內旅游總人數進行比較，計算均方根誤差RMSE，如表2所示。通過使用SARIMA模型、Holt-Winters三指數平滑模型的加法模型和乘法模型進行擬合和預測，發現SARIMA模型的擬合效果最好，均方根誤差最小，所以最終選擇該模型對未來三年的國內旅游總人數進行預測。

3.3 SARIMA模型預測

圖2 國內旅游總人數真實值與預測值比較

通過圖2的虛線預測可以看出，根據2011—2019年的歷史數據，預測顯示2020年之后國內旅游人數應呈現持續上升的趨勢，2026年第一季度將達到25億人次。然而，實際情況如實線所示，從2020年開始，國內旅游總人數卻經歷了急劇下降，在2020年第一季度和2022年第四季度表現尤為明顯，旅游業幾乎陷入了停滯，旅游業遭受重創，客流量驟減，企業面臨嚴重困境。直至2023年，實際國內旅游總人數開始逐漸回升，并展現出季節性的變化趨勢，但總體上仍未能恢復到2019年的水平。這種現象表明，旅游業正在經歷復蘇過程，雖然國內旅游總人數逐步上升，但短期內很難恢復到疫情前的繁榮狀態。這種恢復的趨勢表明，行業需要時間和進一步的努力來克服所受到的深遠影響，實現全面復蘇。

4 結語

新冠疫情的爆發使我國旅游業受到了前所未有的沖擊，導致旅游業面臨嚴峻的挑戰，出行人數的大幅減少導致大量訂單被迫取消或延期，這直接影響了旅游企業的收入，特別是中小型企業，通常缺乏足夠的資金儲備來應對這種突發狀況，面臨現金流斷裂的風險。景區、酒店、餐飲和旅行社等行業一并受到重創，旅游總收入也出現顯著下滑，影響了旅游企業的盈利能力和生存狀態。同時，消費者對旅游安全產生擔憂，出游意愿降低，并改變了消費者的出游習慣和偏好，可能更傾向于選擇短途旅行、自駕游等相對安全的旅游方式。2024年，隨著經濟環境的改善和政策支持，旅游市場逐漸復蘇，推動了區域經濟的發展。

此時，旅游業的創新就顯得尤為重要。企業可以探索新的旅游產品和服務，如健康旅游、生態旅游等，以滿足日益多樣化的消費者需求。通過利用先進技術，如大數據和人工智能可以提高運營效率、優化客戶體驗，探索新的商業模式和收入來源。隨著環境保護意識的提高，綠色旅游和可持續發展成為行業的重要方向。旅游企業可以通過減少資源消耗、提高環境保護標準和推廣綠色產品來增強自身的市場競爭力和社會責任感。

旅游業需要加強線上服務能力，如在線預訂、虛擬旅游體驗等，以適應消費者對無接觸服務的需求。加速旅游業的結構調整，推動行業向更加可持續和高質量的方向發展，這包括提升服務質量、發展綠色旅游和加強旅游產品的創新。旅游業需要創新和轉型，探索新的商業模式和服務方式，包括開發新的旅游產品和服務，如健康旅游、生態旅游等，以及利用技術提高運營效率和客戶體驗。

參考文獻

康俊鋒，郭星宇，方雷.基于百度指數時空分布的旅游趨勢預測研究： 以上海市為例[J].西南師范大學學報（自然科學版），2020， 45（10）：72-81.

宋海巖，吳晨光.新一輪科技革命與旅游需求分析和預測創新： 理論探討與實踐前沿[J].旅游學刊，2022，37（10）：1-3.

武靜，趙二龍，孫少龍，等.多源異構數據驅動的后疫情時期旅游需求預測方法研究[J].計量經濟學報，2023，3（2）：350-366.

孫瓊，江晶晶，李雪巖，等.基于后疫情時代的旅游需求預測研究[J].中國軟科學，2022（S1）：217-226.

楊京津.基于疫情影響構建的旅游需求預測模型[J].工業控制計算機，2023，36（7）：87-88.

程浩.山東省旅游客源市場分析與預測研究[D].濟南： 山東財經大學，2021.

劉炯.基于多元線性回歸的國內旅游收入預測分析： 以安徽省為例[J].隴東學院學報，2023，34（2）：5-10.

李軍言，李越.我國入境旅游人數預測和分析： 基于ARIMA乘積季節模型[J].內蒙古統計，2019（5）：26-30.

袁路妍，王占宏.基于ARIMA的入境旅游月度過夜人次預測[J].微型電腦應用，2020，36（4）：7-9.

張翊.基于ARIMA模型的山東省入境旅游人數預測研究[J].西部旅游，2023（7）：10-12.

馮瑤.基于網絡搜索指數的旅游需求預測研究[D].長春： 吉林財經大學，2023.

張婷婷，王沫然，魏得勝，等.季節調整FWA-SVR模型及其在旅游經濟預測中的應用[J].系統科學與數學，2021，41（6）：1572-1584.

高孝成，范英兵，肖鈞瑩.基于支持向量機與時間序列組合模型的我國旅游市場預測研究[J].黑河學院學報，2021，12（4）：181-183.