危机事件下中国入境旅游的受损格局与影响机制研究

吴良平，张健

(1.四川师范大学商学院，四川成都610101;

2.四川师范大学数学与软件科学学院，四川成都610068)

危机事件下中国入境旅游的受损格局与影响机制研究

吴良平1，张健2

(1.四川师范大学商学院，四川成都610101;

2.四川师范大学数学与软件科学学院，四川成都610068)

本文基于计量经济学模型及统计分析方法，以1991～2011年中国入境旅游相关数据为基础，探究金融危机等事件下中国入境旅游的受损格局与影响机制。研究发现:(1)各客源国或地区到中国旅游人数均出现2010年恢复效果明显、2011年恢复效果较弱的特征，但受损幅度差异很大，恢复状况也不尽相同。截至2011年底，各客源国或地区到中国旅游人数均未恢复至预测水平。(2)各客源国或地区收入水平、自身价格和替代价格的变化量，与各客源国或地区到中国旅游人数的减少量具有长期协整关系。收入水平、自身价格和替代价格的变化最终导致了入境旅游人数的减少。游客在考虑到中国旅行时，个人收入成为大部分客源国或地区游客的主要决定因素，自身价格和替代价格的影响效果也不可忽视。

危机事件;入境旅游;预测建模;受损格局;影响机制

旅游被认为是一种任意的消费品(Song，Lin，2010)，旅游需求会受到不利经济条件的影响。金融危机等不可预测的危机或事件会对世界各地区的入境旅游产生深刻影响。

作为旅游大国，入境旅游是中国旅游业的重要组成部分。在世界各地区遭受金融危机等事件影响下，境外游客到中国旅游的情况也发生了变化。除金融危机外，其他危机事件也时有发生。但金融危机因其影响范围广、影响程度大、持续时间长，对中国入境旅游的影响将会起到主导作用(张健，吴良平，2013)。故本文将金融危机和其他事件看成一个危机事件整体，探究危机事件下中国入境旅游的受损格局与影响机制。本文从两个方面展开研究:一方面，以2008年前中国15个主要客源国或地区①15个主要客源国或地区为中国台湾、中国香港、中国澳门、日本、韩国、俄罗斯、新加坡、马来西亚、菲律宾、澳大利亚、英国、德国、法国、美国和加拿大。中国旅游人数为样本，采用组合预测模型，分别对各客源国或地区旅游人数进行预测，然后根据各客源国或地区受金融危机等事件影响的变化情况分析中国入境旅游需求的受损格局;另一方面，采用时间序列法，以金融危机前各客源国或地区国内生产总值(GDP)、居民消费价格指数(CPI)和汇率(EX)为样本，预测金融危机后各客源国或地区这3个指标值，并将各客源国或地区到中国旅游人数的减少(百分比)与各客源国或地区收入水平、中国相对于客源国或地区的自身价格与中国相对于替代目的地的替代价格的减少(百分比)进行单位根检验、边限检验和UECM建模，探究金融危机等事件下中国入境旅游需求的影响机制。

1 研究背景

1.1 旅游需求建模与预测

旅游需求建模与预测的有效方法主要有时间序列模型、计量经济模型和其他定量模型。时间序列模型通过纯粹的时间序列进行分析、检验以及预测;计量经济方法则将旅游需求影响因素或者决定因素包括在内;而其他定量方法主要包括了人工智能技术。计量经济模型的优点在于，它不仅能够使研究者获得预测值，而且能够帮助他们评估政策事件对旅游需求的影响(Song，Li，2008)。关于旅游需求建模与预测的文献非常丰富，已有超过500多篇的研究论文被发表(Crouch，1995; Witt，Witt，1995;Lim，1999;Li，et al.，2005;Song，Li，2008)，研究内容主要是关于不同定量方法在旅游需求、旅游产品或者旅游特定目的地以及旅游服务等方面的应用。

旅游需求预测的效果和精度对旅游业具有重要的经济影响，主要体现在基础设施和人力资源的旅游投资方面。预测的精度和方向改变都是很重要的预测误差度量，因为不同的利益相关者倾向于不同的误差度量(Witt，Witt，1991;Witt，et al.，2003)。比如，政策制定者对旅游需求的转折点感兴趣(尤其在经济低迷时期)，而金融投资者则会重点关注他们的投资回报。组合方法在旅游需求预测中的应用就与旅游需求预测的效果和精度相关。Wong等(2007)和Song等(2009)认为组合预测能够在很大程度上降低预测失效的风险，并强烈支持该方法在旅游预测中的应用。Shen等(2008)提供了组合预测对预测效果非常有帮助的证据。

预测模型的预测精度与影响旅游需求的相关不确定性因素有关(Bonham，2006)，而这些不确定性因素主要包括了不可预期的危机或事件，比如战争、恐怖袭击、金融危机、自然灾害、流行病等。在实际建模过程中，应根据这些不确定因素的性质，采取不同的处理方式。如果危机是自然异常事件，旅游需求会随着危机消除回归正常，通常处理这类危机的方法是采用一次性冲击变量(Kulendran，Witt，2001;Song et al.，2003;Kuo et al.，2008;Wang，2009);而如果危机会对旅游需求产生持续影响，研究者在刻画危机影响效应时一般采用时变参数模型(TVP)(Song，Wong，2003;Li，et al.，2006)。但当危机处于不断频发时(比如全球金融危机)，预测者可采用两种传统方法——德尔菲调查法和方案分析法来评估危机影响(Tideswell，et al.，2001;Prideaux，et al.，2003)。此外，研究者一般采用时间序列法来获得计量经济方法中的解释变量预测值，比如指数平滑法(Song，et al.，2003; Lim，et al.，2009)，但有些研究者也采用预测机构和国际组织提供的二次预测数据(Song，Lin，2010)。

1.2 金融危机等事件的影响研究

金融危机对各地区旅游业产生了负面影响。Smeral(2009)分析了金融危机对欧洲旅游业的影响;Wang(2009)探究了金融危机对中国台湾入境旅游需求的影响; Song和Lin(2010)定量研究了金融危机对亚洲出境和入境旅游的影响;Ritchie等(2010)通过对北美旅游的分析得出，加拿大和美国的旅游业均受到了金融危机的影响;Papatheodorou等(2010)的研究发现，国际金融危机虽然一方面对国际旅游业产生了负面影响，但另一方面却促进了国内旅游业的发展;Smeral(2010)在价格和汇率不变的前提下，就旅游进口问题着重分析并预测了澳大利亚、加拿大、美国、日本4国，以及欧盟15个国家的出境旅游需求;Song等(2011)确定了影响酒店住宿需求的因素，然后预测酒店住宿需求季度数据，以评估金融危机的影响;Poudyal(2013)针对美国国家公园游访月度数据，采用了广义矩估计方法评估了金融危机下经济衰退对国家公园游访的影响;吴良平和张健(2013)基于中国入境旅游月度人数和收入，分析了金融危机对中国入境旅游的影响。Ritchie等(2010)发现墨西哥旅游业受猪流感、汇率变动以及不利天气条件的影响，相比金融危机事件的自身影响更直接、程度更大。Page等(2012)提出了一种计量经济框架，分离和估计了猪流感和金融危机对英国入境旅游需求的影响。

2 研究方法

2.1 单项预测模型

2.1.1 SARIMA模型

ARMA(Auto-Regressive and Moving Average)模型是一类常用的随机时间序列模型，由英美统计学者于20世纪70年代提出，也称为B-J方法。该方法的建模过程包含了季节回归和移动平均两个因素，广泛适用于预测具有季节性的时间序列。季节性差分自回归移动平均模型(Seasonal Autoregressive Integrared Moving Average，SARIMA)是基于ARMA模型基础之上，综合d阶趋势差分和D阶以周期S为步长的季节差分运算的时间序列方法。本文的数据序列为季度性数据，具有很强的季节性成分，所以很适合采用SARIMA模型。故本文首先采用插值法，剔除了2003年SARS的影响效应，随后预测各客源国或地区到中国的旅游人数。

2.1.2 UECM模型

UECM模型(Unconstrained Error Correction Model)是旅游需求建模常用的动态计量经济模型。该模型建立了旅游需求及其决定因素之间的因果联系，并通过变量的当前和滞后值，刻画了游客做旅行决定的过程，具有动态的ADLM模型(Autoregressive Distributed Lag Model)的特征(Song，Lin，2010;Song，et al.，2012)。

根据Song等(2003)的研究结果，以下幂指数需求模型被提出:

式中，CHit表示t时间i客源国或地区到中国旅行的游客数;Yit表示t时间i客源国或地区的收入水平;Pit表示t时间中国相对于i客源国或地区的自身价格;Pst表示t时间的替代价格;eit表示未被包含在方程中的其他因素的影响效果。

首先，自身价格的定义如下:

式中，CPIch和CPIi分别表示中国和i客源国或地区的居民消费水平，EXch和EXi分别表示中国和i客源国或地区的汇率。

其次，替代价格Pst需要选择相应客源国或地区作为替代目的地，从而获得权重指标。选择中国台湾、中国香港、日本、韩国和新加坡为替代目的地。

式中，j=1，2，3，4，5分别表示了中国台湾、中国香港、日本、韩国和新加坡，wij表示客源国或地区i在替代目的地j的入境旅游人数中占有的分量，计量公式为:wij= CHij/∑5

j=1CHij，CHij表示从客源国或地区i到替代目的地j的入境旅游人数。然后对方程(1)两边同时取对数，可得到方程(4)。该方程能够采用普通最小二乘法进行估计，方程表达式如下:

式中α1，α2，α3分别表示收入水平、自身价格和替代价格的弹性系数;α0=lnA;uit=lneit。

方程(4)是一个长期静态的模型。但从游客做旅行决定的过程来看，游客做决定不仅依赖于目前的经济条件(收入，价格等)，而且还会考虑以前的各种信息，比如他人的旅行体验(以便选择目的地)或合适的出行时间(以便提前做好计划)等。所以，具有动态特征的ADLM模型被旅游研究者采用(Song，et al.，2009)。然而，Pesaran等(2001)在ADLM模型的基础上，提出了无约束误差修正模型(UECM模型)。该模型同时整合了短期动态和长期动态，在旅游的实际研究中得到了很好的利用(Song，Lin，2010;Song et al.，2012)。UECM模型的表达式如下:

式中，p表示由AIC(Akaike Information Criterion)和SC(Schwar Criterion)准则(选择AIC和SC值最小时的滞后阶数p值)确定的滞后阶数;εit为随机误差项，服从均值为零、标准差为σ的正态分布;系数1到p、η0到ηp、θ0到θp以及σ0到σp表示模型的近期动态关系，π1到π4表示了模型的长期动态关系;根据不同的研究时段，虚拟变量(dummy variables)被用于捕捉相关事件造成的一次性影响以及季节效应:冲击发生时，虚拟变量取1，否则取0。

根据中国入境旅游发展的实际情况，本文采用的UECM模型框架如下:

式中，DQ2，DQ3，DQ4表示1年中的第2、3、4季度的季节冲击;D97表示1997年的亚洲金融危机的冲击(=1，1997Q3～1998Q2);D911表示2001年的9·11恐怖袭击的冲击(=1，2001Q3～2001Q4);D03表示2003年的SARS流行病的冲击(=1，2003Q2)。

此外，UECM模型的建模需要满足因变量与它的决定因素变量之间存在长期的协整关系。针对UECM模型的建立过程，Pesaran等(2001)提出了ADLM边限和t－检验(简记边限检验)。该方法主要检验因变量和它的决定因素变量之间是否存在长期的协整关系。与传统的协整检验方法相比，该方法具有如下的优势:其一，该方法并不要求所有的变量具有同阶单整，适用于所有变量是零阶单整、一阶单整或者混合的形式;其二，该方法对于小样本的检验优于多变量的协整方法(Halicioglu，2007);其三，该方法估计了长期成分，避免了遗漏变量和自相关的影响(Narayan，2004)。后文呈现的ADLM边限检验估计方程如下:

式中的π系数指定了变量之间的协整关系，F－统计量和t－统计量被用来检验这种协整关系:F-统计量的原假设为变量之间没有协整关系(H0:π1=π2=π3=π4= 0);t－统计量的原假设为相对于滞后一阶的PCH指标没有协整关系(H0:π1=0)。更多的细节请参看Song等(2011)的研究。本文模型的建立遵循由一般到特殊(general to specific)的方法(Song，et al.，2009)，该方法从一般模型开始，见式(6)，然后剔除由于不具有统计显著性意义的不重要的变量。

2.1.3 VAR模型

VAR模型(Vector Autoregressive Model)是一种系统估计的方法，由Sims (1980)提出，已经在宏观建模与预测方面得到了广泛应用，近些年也成功地应用到了旅游需求预测方面(Wong，et al.，2007;Song，et al.，2009;Chan，et al.，2010)。本文的研究除了常数、时间趋势以及外部冲击外，所有解释变量均作为内生的变量。由于滞后阶数超过最优滞后阶数会降低模型自由度，而少于最优滞后阶数会导致数据生成过程的误差，故解释变量的滞后长度由AIC决定(Song，et al.，2000)。

2.2 方差－协方差组合方法

方差－协方差组合方法将各单项预测模型历史数据的方差和协方差考虑在内，最终获得使组合预测误差平方总和达到最小时的最优化权重。最优化权重的计算表达式如下:

3 数据说明

根据前人研究可知，影响中国入境旅游需求的主要因变量如下(Song，et al.，2003):客源国或地区的收入水平、中国相对于客源国或地区的自身价格和中国相对于替代目的地的替代价格等。其中，客源国或地区的收入水平用客源国或地区的实际国内生产总值(GDP)(Y2005=100);自身价格和替代价格用客源国或地区的居民消费价格指数(CPI)(Y2005=100)和汇率(EX)(Y2005=100):汇率是当时货币对美元的季节平均市场利率;选择中国台湾、中国香港、日本、新加坡和韩国为替代目的地(Song，et al.，2012)。此外，所有的GDP、CPI和EX数据序列时间段为1991Q1至2011Q4①由于数据获取较为困难，所以文章只选取了1991年至2011年季度数据，然而变量之间具有的协整关系、建模过程和研究结果却具有其时效性。，各客源国或地区的旅游人数数据序列时间从1991Q1到2011Q4。韩国、马来西亚、俄罗斯、中国澳门和中国台湾的旅游人数数据序列时间段分别为1995Q1至2011Q4、1996Q1至2011Q4、1995Q1至2011Q4、1997Q1至2011Q4以及1992Q1至2011Q4。

本文依据2007Q1至2007Q4数据序列的实际数据和预测数据，确定方差－协方差组合预测方法赋予各个单项预测模型的权重。所有季度数据来源于国际货币基金组织出版的国际金融统计年鉴、经济合作与发展组织(OECD)发布的SourceOECD数据库、中国旅游统计年鉴，以及中国国家统计局网站②http://www.stats.gov.cn/。

4 实证研究

中国入境旅游市场中港澳台市场占79.98%的份额，外国市场占20.02%。本文选择的15个客源国或地区占中国入境旅游市场93.93%的份额，其中12个主要入境旅游国占外国旅游市场的份额为69.69%③中华人民共和国国家旅游局.中国旅游统计年鉴2012［Z］.北京:中国旅游出版社，2012.。所以，本文的研究能够反映中国入境旅游的基本情况。

4.1 受损格局

本文以2008年以前15个客源国或地区的旅游人数为样本，采用SARIMA模型、UECM模型和VAR模型作为单项预测模型，建立方差－协方差组合预测模型，分别对15个客源国或地区的旅游人数进行预测(预测区间:2008Q1至2011Q4)，然后根据入境旅游人数的变化情况，分析金融危机等事件下中国入境旅游的受损格局。

表1 各客源国或地区到中国旅游人数受金融危机等事件的影响状况

4.1.1 影响时间

关于金融危机等事件对中国入境旅游的影响时间，表1主要呈现为4个方面，分别是开始时间、恢复开始时间、恢复状况相对显著时间段、最大百分比时间。从15个客源国或地区的旅游人数受影响的开始时间看，主要集中在2008Q2，其中菲律宾和俄罗斯的开始时间分别为2008Q3和2008Q4，中国台湾、中国澳门和日本的开始时间均为2008Q1。从恢复开始时间和恢复状况相对显著时间段来看，除了中国香港、中国澳门、韩国和俄罗斯外的11个客源国或地区的旅游人数都于2009Q3开始恢复，恢复状况相对显著的时间段分布于2009Q3至2011Q2之间，但是主要集中在2010年，虽然2011年各客源国或地区的旅游人数也处于恢复期，但恢复幅度相比2010年不是很大。从最大百分比时间来看，受金融危机等事件影响的最大百分比出现的时间几乎平均分散于2009Q3至2011Q1。原因在于:虽然大部分客源国或地区的旅游人数于2009Q3开始恢复，但恢复幅度差异很大，恢复幅度超过自然增长幅度的地区在短时间内达到最大百分比①自然增长幅度:按照以前无危机事件影响下，各地区每年应该增长的幅度。，恢复幅度越小的城区，达到最大百分比的时间越滞后。

由此说明:金融危机席卷全球后，到中国的旅游人数便开始受到显著影响，开始时间主要集中在2008Q2。随后各客源地纷纷制定相关促进政策以及应急措施，从而在2010年获得了明显的恢复效果，但缘于2011年相关应急措施的懈怠，2011年恢复效果较2010年稍弱。

4.1.2 受损幅度

金融危机等事件下各客源国或地区的旅游人数的受损幅度相差较大(见表1)，主要表现在:最大百分比最大值达57.26%，最小值却只有18.22%，平均值为31.46%;平均受损幅度最大值为35.70%，最小值却为6.26%，平均值为20.90%。从最大百分比和平均受损幅度来看，俄罗斯是受影响最大，马来西亚受影响最小，除俄罗斯、韩国和马来西亚外，其他客源国或地区的最大百分比和平均受损幅度基本集中在29%和20%左右，差额值相对较小。截至2011Q4，各客源国或地区的旅游人数实际值都未恢复至预测值。

为了更清楚地分析恢复状况，本文将2011年与2007年各客源国或地区的实际人数进行对比(见表1)，结果如下:未恢复的客源国或地区有3个，基本恢复的有3个，已恢复的有2个，超出的有4个，明显超出的有3个。针对上述实证结果，本文做如下原因分析:(1)俄罗斯和韩国的最大百分比和平均受损幅度最高，所以2011年到中国旅游实际人数未达到2007年水平;(2)马来西亚是最大百分比和平均受损幅度最低，所以2011年到中国旅游实际人数明显超出2007年水平;(3)新加坡2011年到中国旅游实际人数超出了2007年水平的原因可能是，新加坡对于金融危机等事件的冲击非常敏感，相关政策的实施效果显著，且新加坡对于危机事件的恢复弹性比较强，是一个经济体系很活跃的国家，当然这与新加坡的地理位置、经济状况以及国土面积也有关系;(4)其他客源国或地区最大百分比和平均受损幅度都处于比较集中、差额不大的状况，恢复幅度与各客源国或地区的经济水平和金融危机后的应对策略有关;(5)需要特别指出的是日本，最大百分比和平均受损幅度比较集中、差额不是很大(最大百分比于2009Q2达到32.63%，平均受损幅度为22.40%)，但却成为到中国旅游人数未恢复至2007年水平的3个国家之一(日、俄、韩)，这应该与其2011年3月受大地震影响以及福岛县发生核泄漏有关。

从上述分析可以看出，各客源国或地区到中国旅游人数受金融危机等事件的影响出现了不同层次的差异，与各客源国或地区与中国的距离远近无相关联系。只是鉴于各客源国或地区的特性和抗危机能力，包括经济状况、恢复的策略和地理位置等诸多原因，出现了不同的受损幅度和恢复状况。

4.2 影响机制

4.2.1 协整关系检验

本文采用时间序列模型SARIMA和ARIMA，以2008年以前的15个客源国家或地区数据为样本，分别对金融危机后的各客源国或地区GDP、EX和CPI进行预测，得到2008Q1至2011Q4各客源国或地区收入水平、自身价格和替代价格的预测值，进而得到同期这3个指标的实际值相比预测值减少的百分比;然后分别乘以中国入境旅游人数UECM模型长期弹性系数的正负号;最后对处理后的各客源国或地区的旅游人数减少的百分比(PCH)与收入水平减少的百分比(PY)、自身价格减少的百分比(PPI)和替代价格减少的百分比(PPS)进行边限协整检验和UECM建模。

边限协整检验之前需要确定所有的变量是零阶单整、一阶单整还是混合状态，如果变量为二阶单整将会造成边限协整检验伪回归的情况。故本文在考虑截距和趋势项的情况下，采用了ADF检验和PP检验分别对所有的变量进行单位根检验。表2显示:15个主要客源国或地区的UECM模型的所有变量均是零阶单整或一阶单整(以ADF检验结果为例)。由此，本文可对15个客源国或地区的PCH、PY、PPI和PPS进行边限协整检验。由于各客源国或地区数据样本较小，边限协整检验只能进行最多1阶的滞后，所以F－统计量和t－统计量可由一阶滞后的方程式(7)进行计算得到，然后与Pesaran等(2001)计算的临界值上下限进行比较，判断各客源国或地区的旅游人数变化状况和决定因素变量的变化状况之间是否存在长期协整关系。

表2 单位根检验(ADF检验)

由表3可以得出:在不包含趋势项的检验下，依据F－统计量，13个客源国或地区在1%显著性水平下拒绝原假设，新加坡在5%显著性水平下拒绝原假设，加拿大接受原假设;依据t－统计量，11个客源地区在1%显著性水平下拒绝原假设，中国澳门在5%显著性水平下拒绝原假设，美国在10%显著性水平下拒绝原假设，菲律宾和加拿大接受原假设。在包含趋势项的检验下，依据F－统计量，14个客源国或地区在1%显著性水平下拒绝原假设，中国台湾接受原假设;依据t－统计量，12个客源国或地区在1%显著性水平下拒绝原假设，马来西亚在5%显著性水平下拒绝原假设，日本在10%显著性水平下拒绝原假设，中国台湾接受原假设。所以整体来看，各客源国或地区收入水平、自身价格、替代价格受危机事件影响的变化量，与各客源国或地区的旅游人数受危机事件影响的减少量之间是存在长期稳定的协整关系。

表3ADLM模型的边限检验结果

4.2.2 影响因素分析

随后，本文对处理后的15个客源国或地区的入境旅游人数和收入水平、自身价格、替代价格的减少百分比建立UECM模型，并遵循由一般到特殊(general-tospecific)的估计方法。相关评估和诊断检验见表4。所有模型都具有很高拟合优度，拟合效果很好，同时通过了大部分的诊断检验，但几乎未通过LM检验(澳大利亚除外)和RESET检验(中国澳门、马来西亚和英国除外)，而中国台湾、日本和菲律宾并未通过ARCH检验，可能原因在于滞后解释变量和滞后因变量之间的高度相关性以及2008Q1至2011Q4的小样本变量(Morley，2009)。

本文基于各客源国或地区收入水平、自身价格和替代价格的变化量，与各客源国或地区到中国旅游人数的减少量具有的长期协整关系，建立了UECM模型。表5呈现了UECM模型的长期弹性系数结果:收入水平、自身价格和替代价格的变化量为UECM模型的自变量，中国入境旅游人数的减少量为UECM模型的因变量。模型的长期弹性系数具有其自身的影响效应:当弹性系数为正时，自变量对因变量将会起到正面效应;当弹性系数为负时，自变量对因变量将会起到负面效应。按照上述原则，本文首先分析收入水平、自身价格和替代价格的变化量对各客源国或地区到中国旅游人数的减少量的影响效应。从收入水平看，除中国台湾、菲律宾、新加坡和加拿大外，其他11个客源国或地区的旅游人数的减少都受到了收入水平变化的正面促进。从自身价格看，15个客源国或地区中的8个的旅游人数的减少都受到自身价格变化的正面促进，另外7个受到自身价格变化的负面促进。从替代价格看，除英国外，其他14个客源国或地区的旅游人数的减少都受到替代价格变化的正面促进。随后，依据模型的弹性系数越大、贡献率越大的原则，针对某个国家或地区的UECM模型，可以看到:除了中国台湾、中国澳门、菲律宾、新加坡和加拿大外，其他10个客源国或地区收入水平变化的正面促进贡献率相比自身价格变化和替代价格变化的贡献率均为最高，并且与自身价格和替代价格变化的正面促进贡献率相差较大。此外，中国台湾、中国澳门、菲律宾、新加坡和加拿大受替代价格变化的正面促进效应最为显著。由此可知:金融危机后，收入水平、自身价格和替代价格的变化都会对入境人数的减少起到促进作用。游客在考虑到中国旅行时，个人收入成为大部分游客的决定因素，自身价格和替代价格的影响效果也不可忽视，金融危机等事件对旅游业的影响是全方位的，渗透到了与旅游需求相关的影响因素的方方面面。

表4 以PCH、PY、PPI和PPS建立的UECM模型的诊断和评估结果

表5 以PCH、PY、PPI和PPS建立的UECM模型长期弹性系数的估计结果

5 结论

本文采用了UECM模型、VAR模型、SARIMA模型、方差－协方差组合方法和边限协整检验等，基于1991～2011年中国入境旅游相关季度数据，探究金融危机等事件下中国入境旅游需求的受损格局与影响机制。研究认为:(1)金融危机后，各客源国或地区到中国旅游人数便开始受到显著影响，开始时间主要集中在2008年第二季度。随后，各客源国或地区纷纷制定了相关促进政策，实施了相关应急措施。虽然2010年恢复效果明显，2011年也处于恢复期(相比2010年恢复效果稍弱)，但各客源国或地区到中国旅游人数受金融危机等事件影响的差异较大，与各客源国或地区到中国的距离远近无相关联系。金融危机等事件对各客源国或地区到中国旅游的影响是全方位的，只是鉴于客源地的特性和抗危机能力，包括地区经济状况、恢复策略和地理位置，出现了不同的受损幅度和恢复状况。(2)金融危机席卷全球经济后，各客源国或地区经济形势都发生了改变，各客源国或地区的收入水平、自身价格和替代价格相应也发生了变化，收入水平、自身价格和替代价格的变化量与各客源国或地区旅游人数的减少量具有稳定的协整关系，收入水平、自身价格和替代价格的变化最终导致了入境人数的减少。个人收入成为大部分游客在考虑到中国旅游时的决定因素，自身价格和替代价格的影响效果也不可忽视。金融危机等事件对旅游业的影响是全方位的，渗透到了旅游需求相关影响因素的方方面面。

本文主要探究中国入境市场受金融危机等事件的影响状况，着眼于数据建模与数据分析，研究对象涉及15个主要客源国或地区，从而可能忽略各主要客源国或地区到中国旅行的具体深层次实际问题，缺乏针对某一主要客源国或地区到中国旅行的发展建议，同时限于篇幅，并未涉及各客源国或地区游客的动态分布规律。

致谢感谢香港理工大学酒店及旅游业管理学院宋海岩教授提供的数据。

［1］吴良平，张健.危机事件及政策变动对中国入境旅游的影响研究——基于剔除直接价格效应的中国入境旅游收入［J］.旅游学刊，2013(3):29-37.

［2］Bonham C，Edmonds C，Mak J(2006).The impact of 9/11 and other terrible global events on tourism in the United States and Hawaii［J］.Journal of Travel Research，45(1):99-110.

［3］Chan K C，Witt S F，Lee Y C E，Song H(2010).Tourism forecast combination using CUSUM technique［J］.Tourism Management，31(6):891-897.

［4］Clemen R T，Winkler R L(1986).Combining economic forecasts［J］.Journal of Business and Economic Statistics，4(1):39-46.

［5］Crouch G I(1995).A meta-analysis of tourism demand［J］.Annals of Tourism Research，22 (1):103-118.

［6］Halicioglu F(2007).Residential electricity demand dynamics in Turkey［J］.Energy Economic，29(2):199-210.

［7］Kulendran N，Witt S F(2001).Cointegration versus least squares regression［J］.Annals of Tourism Research，28(2):291-311.

［8］Kuo H I，Chen C C，Tseng W C，Ju L F，Huang B W(2008).Assessing impacts of SARS and avian flu on international tourism demand to Asia［J］.Tourism Management，29(5):917-928.

［9］Li G，Song H，Witt S F(2005).Recent developments in econometric modelling and forecasting［J］.Journal of Travel Research，44(1):82-99.

［10］Li G，Song H，Witt S F(2006).Time varying parameter and fixed parameter linear AIDS:An application to tourism demand forecasting［J］.International Journal of Forecasting，22(1): 52-71.

［11］Lim C(1999).A meta-analytic review of international tourism demand［J］.Journal of Travel Research，37(3):273-284.

［12］Lim C，Chang C，McAleer M(2009).Forecasting h(m)otel guest nights in New Zealand［J］.International Journal of Hospitality Management，28(2):228-235.

［13］Morley C L(2009).Dynamics in the specification of tourism demand models［J］.Tourism Economics，15(1):23-39.

［14］Narayan P K(2004).Fiji’s tourism demand:The ARDL approach to cointegration［J］.Tourism Economic，10(2):193-206.

［15］Page S，Song H，Wu D C(2012).Assessing the impacts of the global economic crisis and swine flu on inbound tourism demand in the United Kingdom［J］.Journal of Travel Research，51(2): 142-153.

［16］Papatheodorou A，Rossello J，Xiao H(2010).Global economic crisis and tourism:Consequences and perspectives［J］.Journal of Travel Research，49(1):39-45.

［17］Pesaran M H，Shin Y，Smith R J(2001).Bounds testing approaches to the analysis of level relationships［J］.Journal of Applied Econometrics，16(3):289-326.

［18］Poudyal N C，Paudel B，Tarrant M A(2013).A time series analysis of the impact of recession on national park visitation in the United States［J］.Tourism Management，35(2):181-189.

［19］Prideaux B，Laws E，Faulkner B(2003).Events in indonesia:Exploring the limits to formal tourism trends forecasting methods in complex crisis situations［J］.Tourism Management，24 (4):475-487.

［20］Ritchie J R B，Molinar C M A，Frechtling D C(2010).Impacts of the world recession and economic crisis on tourism:North America［J］.Journal of Travel Research，49(1):5-15.

［21］Shen S，Li G，Song H(2008).An assessment of combining tourism demand forecasts over different time horizons［J］.Journal of Travel Research，47(2):197-207.

［22］Sims C A(1980).Macroeconomics and reality［J］.Econometrica，48(1):1-48.

［23］Smeral E(2009).The impact of the financial and economic crisis on European tourism［J］.Journal of Travel Research，48(1):3-13.

［24］Smeral E(2010).Impacts of the world recession and economic crisis on tourism:Forecasts and potential risks［J］.Journal of Travel Research，49(1):31-38.

［25］Song H，Gartner W C，Tasci A D A(2012).Visa restrictions and their adverse economic and marketing implications-Evidence from China［J］.Tourism Management，33(2):397-412.

［26］Song H，Li G(2008).Tourism demand modelling and forecasting:A review of recent research［J］.Tourism Management，29(2):203-220.

［27］Song H，Lin S(2010).Impacts of the financial and economic crisis on tourism in Asia［J］.Journal of Travel Research，49(1):16-30.

［28］Song H，Lin S，Witt S F，Zhang X(2011).Impact of financial/economic crisis on demand for hotel rooms in Hong Kong［J］.Tourism Management，32(1):172-186.

［29］Song H，Witt S F，Li G，Seddighi H，Teal F(2000).Tourism Demand Modelling and Forecasting:Modern Econometric Approaches［M］.Oxford:Pergamon.

［30］Song H，Witt S F，Wong K F，Wu D C(2009).An empirical study of forecast combination in tourism［J］.Journal of Hospitality and Tourism Research，33(1):3-29.

［31］Song H，Witt S F，Li G(2003).Modelling and forecasting the demand for Thai tourism［J］.Tourism Economics，9(4):363-387.

［32］Song H，Witt S F，Li G(2009).The Advanced Econometrics of Tourism Demand［M］.New York:Routledge.

［33］Song H，Wong K K F(2003).Tourism demand modeling:A time-varying parameter approach［J］.Journal of Travel Research，42(1):57-64.

［34］Song H，Wong K K F，Chon K K S(2003).Modelling and forecasting the demand for Hong Kong tourism［J］.International Journal of Hospitality Management，22(4):435-451.

［35］Tideswell C，Mules T，Faulkner B(2001).An integrative approach to tourism forecasting:Aglance in the rearview mirror［J］.Journal of Travel Research，40(2):162-171.

［36］Wang Y S(2009).The impact of crisis events and macroeconomic activity on Taiwan’s international inbound tourism demand［J］.Tourism Management，30(1):75-82.

［37］Witt S F，Witt C A(1995).Forecasting tourism demand:A review of empirical research［J］.International Journal of Forecasting，11(3):447-475.

［38］Witt S F，Witt C A(1991).Tourism forecasting:Error magnitude，direction of change error，and trend change error［J］.Journal of Travel Research，30(2):26-33.

［39］Witt S F，Song H，Louvieris P(2003).Statistical testing in forecasting model selection［J］.Journal of Travel Research，42(2):151-158.

［40］Wong K K F，Song H，Witt S F，Wu D C(2007).Tourism forecasting:to combine or not to combine?［J］.Tourism Management，28(4):1068-1078.

A Study on the Damage Pattern and the Impact Mechanism of China’s Inbound Tourism in Crisis Events

WU Liangping1，ZHANG Jian2
(1.School of Business，Sichuan Normal University，Chengdu 610101，China;
2.College of Mathematics and Software Science，Sichuan Normal University，Sichuan Chengdu 610068，China)

China is a cosmopolitan country famous for tourism，which receives numerous inbound tourists every year.However，inbound tourist arrivals varied due to the financial and economic crisis that happened in various regions of the world.This study explored into the damage pattern and the impact mechanism of China’s inbound tourism in crisis events based on the econometric model and statistical analysis method.The findings are that:(1)Tourist arrivals from all of the source markets display common affected features while the amplitudes of the impacts and the recovery are different.Furthermore，tourist arrivals from any of the source markets can recover to combination predicted values by the end of 2011.(2)There are co-integrated relationships between the changes of tourist arrivals and those of their three determinants for all of the source markets，and the decrease in tourist arrivals is almost attributed to the changes of the income level，the self price and the substitute price.It was also found that the change of income level turns out to be the primary determinant for most source markets，and the changes of the self price and the substitute price shouldn’t be ignored.

crisis Event;inbound tourism;forecast modeling;damage pattern;impact mechanism

F

A

1006－575(2016)－05－0037－15

(责任编辑:车婷婷)

2015－12－04;

2016－08－13

国家社科基金青年项目“‘一带一路’背景下入境旅游统计分析及优化布局研究”(16CGL026)。

吴良平(1987－)，男，博士，四川师范大学商学院讲师，研究方向为应用统计分析、旅游需求建模与预测，E-mail:wuliangping6@sina.com。张健(1964－)，男，博士，四川师范大学数学与软件科学学院教授，博导，研究方向为应用统计分析、数学物理方程。