危机事件对我国入境旅游规模的影响研究——基于TBTL-IA组合模型

(华南理工大学 经济与贸易学院,广东 广州 510000)

危机事件对我国入境旅游规模的影响研究
——基于TBTL-IA组合模型

骆妙璇,吴浩存

(华南理工大学 经济与贸易学院,广东 广州 510000)

建立TBTL-IA组合模型,定量分析1998年以来发生的五大危机事件对我国入境旅游规模的影响,并对2016—2018年入境旅游人数进行预测。结果表明:①我国入境旅游发展经历了一个长周期和三个短周期,受四季交替和节假日的影响,入境旅游具有季节波动性。②SARS事件的影响期为15个月,造成损失量1385.60万人次；汶川大地震、北京奥运会管制属于短期事件,影响期为1—2个月,造成损失量59.08万人次和139.56万人次。全球金融危机的影响期为16个月,造成损失量811.79万人次。后金融危机调整期的影响从2012年7月至今,造成损失2699.36万人次。③模型的拟合效果和预测效果均优于传统模型,预计2016年、2017年、2018年入境旅游人数分别为1.39亿人次、1.45亿人次、1.54亿人次。

中国;入境旅游人数;组合模型;危机事件

中国旅游业发展起始于入境旅游,入境旅游在旅游业中占据重要地位[1]。国家统计局发布的《中华人民共和国2016年国民经济和社会发展统计公报》(简称《统计公报》)指出,2016年入境游客1.38亿人次,比去年增长3.5%;国际旅游收入1200亿美元,比去年增长5.6%。这些数据表明我国入境旅游正稳步发展。然而入境旅游对外部环境具有敏感性,其发展受公共卫生事件、自然灾害事件、地理环境、恐怖袭击等不可控因素,以及经济政治因素、庆典事件等可控因素的影响。自1998年以来,我国入境旅游先后受到多起危机事件的影响——2003年的SARS事件、2008年的汶川大地震、北京奥运会管制、2008—2009年的全球金融危机、2012年至今的后金融危机调整期,受SARS事件、全球金融危机的影响尤为深刻。鉴于入境旅游在旅游业中的重要地位,深入研究危机事件对我国入境旅游的影响,对入境旅游的健康发展具有重要意义。

目前国内外学者对入境旅游人数的研究以ARIMA族模型为主[2-4],研究方向主要集中在入境旅游人数的预测。对于危机事件的研究,则主要有因果结构时间序列[5]、干预分析模型[6-10]和本底线模型[11-13]。从影响范围来看,危机事件可分为局部性危机事件和全球性危机事件;从时间来看,可分为短期事件、中长期事件和长期事件。学者们关注的危机事件主要有“9.11”事件、SARS事件、全球金融危机等,属于全球性危机事件中的中长期事件。已有研究存在的问题有:①研究模型存在缺点。对危机事件的研究,以本底线模型为主,该方法具备事后评估、事后预测的功能和预测精度高的优点,但当危机事件正在发生,入境旅游在短时间内无法恢复时,模型无法准确预测未来的入境旅游人数,即不具备事中预测功能。此外，模型无法对危机衰退情况进行描述。干预分析模型在旅游需求上的应用主要以国外研究居多,能对危机事件进行事中预测和事后评估,但模型假设时间序列只包含趋势性和季节波动性,没有考虑入境旅游人数序列的周期规律。②研究的危机事件单一。主要集中在SARS事件和全球金融危机上,缺乏对历史时期不同危机事件的梳理和比较。③鲜有研究对2010年以后的入境旅游发展的分析,近几年入境旅游研究缺失。

鉴于两个模型都各自存在不足之处,本文提出本底线模型和干预分析模型的组合模型(Tourism Background Trend Line & Intervention Analysis Combined Model,TBTL-IA组合模型)。TBTL-IA组合模型使用干预分析模型的干预效应来评估危机事件的影响,使用本底线模型的预测功能来进行事后预测。模型既保留了本底线模型的事后预测功能,又改进了干预分析模型的事中预测和事后评估功能。当测试样本不受危机事件影响时,TBTL-IA组合模型退化为本底线模型,因此模型在拟合效果、预测效果和对危机事件的定量分析方面比一般模型更具优势。本文以1998年1月—2016年2月期间发生的五大危机事件为例,探讨了危机事件对我国入境旅游人数的影响,并对2016—2018年入境旅游人数进行预测,以期分析入境旅游对不同危机事件的反应,同时掌握我国入境旅游人数的时间发展规律。

1 研究设计

1.1 干预分析模型

Box、Tiao于1975年发表了《干预分析在经济和环境问题中的应用》,而后干预分析模型开始被国内外学者用于危机事件对旅游业的影响分析。其表达式为:

yt=f(κ,ξ,t)+Nt

(1)

式中,yt表示受危机事件影响的时间序列;f(κ,ξ,t)表示干预变量ξ对t时刻时间序列的干预效应;κ表示一系列未知参数;过程{Nt}代表未受危机事件影响的基础时间序列,称为净化序列。在大多数干预分析模型中,{Nt}通常是ARIMA过程。

干预变量ξ的效应表示为:

(2)

式中,γtj为ξtj的动态变换;κ为未知参数ω和δ;k为干预变量个数;δj(B)=1-δ1jB-…-δrjjBrj,ωj(B)=ω0j-ω1jB-…-ωsjjBsj,B为延迟算子。

ξ有两种类型,一种是阶跃干预变量,表示危机事件对时间序列产生长期影响,表示为:

(3)

另一种是脉冲干预变量,表示危机事件对时间序列产生的影响是暂时的,表示为:

(4)

1.2 本底线模型

本底线模型指在不受危机事件的影响下,旅游业发展所呈现的固有趋势线方程。其本质是以时间为自变量,旅游统计值为因变量的非线性回归模型。基于月指数的本底线模型,即把基于趋势线方程计算的年本底值按月指数分解到年内各个月份,进而得到月本底值[13]。月指数计算公式为:

(5)

kij=Qij/yj

(6)

式中,Qij为第j年第i月的统计值;yj为第j年的统计值。月指数ki可以是多年统计平均值,也可采用相邻年统计值,通常选取若干相对稳定的年份数据来计算。

孙根年借鉴统计上“距平值”的概念,提出旅游本底线距平值(简称“本底线距平值”)[13],用本底线距平值表示危机事件对旅游的具体影响,计算公式为:

(7)

式中,πij为第j年第i月的本底线距平值;当πij≤0,为危机事件冲击;当πij≥0,为庆典事件冲击。

1.3 TBTL-IA组合模型

TBTL-IA组合模型是把本底线模型和干预分析模型的建模过程相结合,形成新的模型形式。与传统干预分析模型不同,该模型使用旅游本底值作为净化序列,把本底线距平值作为干预效应。该模型的本质是把回归方法和时间序列方法相结合,建立新的宏观旅游人数预测的计量模型。具体建模过程为:①采用直线内插法,对非“本底性”的年度数据进行修正;②利用修正后的年度数据建立趋势线方程;③求出月本底值和本底线距平值;④利用本底线距平值,结合干预变量的形式,求出各危机事件对应的干预效应,得到危机事件对旅游的具体影响。

2 数据来源与危机事件

2.1 数据来源

本文使用的统计数据时间跨度为1998年1月—2016年2月,即{Yt,t=0,1,…,217},其中t=0，表示1998年1月。入境旅游人数月度数据来源于相关年份的《中国旅游统计年鉴》和国家旅游局数据中心,2016年2月是目前可获得的最新月度数据。本文采用8个训练样本,分别进行向前一步预测,得到2015年7月—2016年2月入境旅游人数预测值,以检验模型的预测效果,同时对2016年3月—2018年12月的入境旅游人数进行预测。

2.2 危机事件梳理

1998—2016年我国入境旅游的发展受到多起危机事件的影响——2003年的SARS事件、2008年的汶川大地震和北京奥运会管制、2008—2009年的全球金融危机、2012年至今的后金融危机调整期,见表1。2003年2月—3月,香港、北京、台湾相继出现SARS病例,我国入境旅游人数开始减少,2003年3月入境旅游人数同比下降6.48%。2003年8月,香港、大陆、台湾相继从疫区中除名,我国入境旅游人数逐步恢复。2008年5月受汶川大地震影响,我国目的地安全性与环境友好性有所下降,2008年6月我国入境旅游人数同比下降4.64%。考虑到该事件属于地区性事件,对我国大部分地区,包括北、上、广等重要旅游城市的影响不大。自2008年7月北京奥运会入境管制工作开始,入境旅游人数有所下降,8月份入境游客多流向北京,其他省区入境游客相对减少,入境旅游人数同比下降6.97%。受2008年9月爆发的全球金融危机影响,2008—2009年全球经济增长率急速下降,我国主要入境客源市场香港特区的GDP出现负增长,其他主要客源地如我国台湾地区和日本、韩国、美国的经济也受到重创。2008年9月我国入境旅游人数同比下降5.94%,这种负增长现象一直持续到2009年9月。金融危机以后,全球经济得到了一定程度的复苏,全球进入后金融危机时代,我国入境旅游人数一直处于波动发展的状态。在该时期,我国入境旅游人数主要受到欧债危机、人民币升值、劳动力成本上升、环境问题日益凸显的影响。2014年以后,我国入境旅游人数开始回升,这与美日英等主要客源市场经济好转、人民币汇率小幅贬值[14]、“一带一路”战略的实施、港澳市场回暖有关。目前我国入境旅游人数仍在逐步恢复中,因此本文认为该阶段是后金融危机的调整期。

表1 1998—2016年五大危机事件对我国入境旅游人数的影响

3 实证结果分析

3.1 建立趋势线方程

1998—2016年我国入境旅游人数年度的具体统计值见图1中的实线。

图1 1998—2016年我国入境旅游人数趋势线与统计线

由图1可知,我国入境旅游人数出现了3个明显的凹型谷。第一个凹型谷出现在2003年,由SARS事件所致；第二个凹型谷出现在2008—2009年,谷底在2009年,该凹型谷由多起事件造成,包括汶川大地震、北京奥运会管制、全球金融危机。第三个凹型谷出现在2012—2016年,其中谷底在2014年,2015年起入境旅游人数有所恢复。由上文分析可知,主要原因是目前我国入境旅游正处于后金融危机调整期。

设我国入境旅游年本底序列为{yj,j=0,1,2,…,18},其中j=0表示1998年。通过图示法确定内插区段端点,对非“本底性”数据进行修正。使用OLS方法对修正后数据拟合线性模型,线性模型为:

yj=7906.15+428.58j

(8)

方程的R2为86.36%,参数系数显著,说明{yj}的线性趋势明显,总体而言我国入境旅游人数保持着上升的态势。按本底趋势线理论,入境旅游人数序列除呈直线增长趋势外,还存在一定的周期波动性[13]。对式(8)的残差进行拟合,从残差图可见我国入境旅游人数序列存在17年左右的波动周期,其中1998—2007年为扩张期,2008年以后为调整期。对残差进行二次曲线拟合,发现仍然存在一个小周期波动项,这种波动也呈变振幅正弦函数形式,对其进行拟合。根据残差拟合图发现,我国入境旅游人数序列还存在一个7年左右的波动周期,1998—2016年我国入境旅游人数序列已完成该类型的周期约3个,其中1998—2000年、2004—2007年、2010—2012年为扩张期,其余年份为调整期。观察残差图,发现其表现为无规律波动,因此不再进行分析。综合序列的线性趋势和周期波动性,我国入境旅游人数本底趋势线方程如下,旅游本底趋势线见图1中虚线。

yj=7906.15+428.58j-1242sin(0.34j+1.83)+135.05sin(0.95j)

(9)

3.2 危机事件的干预效应

选取不受危机事件影响的年份来计算月指数,取其统计平均值,结果见表2。各月份的月指数均在8%左右,差别不大,表明我国入境旅游人数随时间分布较均匀,淡季和旺季不明显。月指数相对较低的是1月、2月,这两个月为入境旅游淡季;结合季节特征发现,1—2月为冬季,天气寒冷导致游客出游意愿降低;4月、7月、8月、10月的月指数较高,这四个月为入境旅游旺季;4月正是春暖花开的季节,适宜踏青旅游;7、8月份正值暑假,为家庭出游的旺季;10月节庆活动众多,是入境旅游的最佳时节。

表2 我国入境旅游人数月指数(%)

图2 1998年1月—2016年2月我国入境旅游人数本底线距平值波动曲线

SARS事件的干预效应为:

(10)

汶川大地震的干预效应为:

(11)

北京奥运会管制的干预效应为:

(12)

全球金融危机的干预效应为:

(13)

以{Yt,t=7,8,…,216}样本为例,后金融危机调整期的干预效应为:

(14)

结合本底线模型和干预效应,得到TBTL-IA组合模型的方程表达式。以{Yt,t=7,8,…,216}样本为例,方程为:

(15)

式中,ki表示第i月的月指数,j表示第j年,i和j的取值取决于t。

3.3 模型预测

为衡量模型的训练误差,计算TBTL-IA组合模型、本底线模型、SARIMA模型、指数平滑法、干预分析模型的标准误差,结果见表3。由表3可知,在8个训练样本中,TBTL-IA组合模型的平均标准误差为25.75,远小于其他模型,表明组合模型的拟合效果优于一般模型。

表3 各模型的标准误差

表4 各模型的预测结果(万人次)

为衡量模型的泛化误差,利用上述8个TBTL-IA组合模型对2015年7月—2016年2月的入境旅游人数进行预测。表中的MAPE(平均绝对百分比误差)、MAD(平均绝对误差)、RMSE(标准误差)都是测量预测精度的统计指标,3个指标的值越小,表示预测精度越高。从预测结果看出(表4),TBTL-IA组合模型的3个指标均小于本底线模型、SARIMA模型和指数平滑法,表明该模型比一般预测模型有效。

对2016年3月—2018年12月共34个月的入境旅游人数进行预测,结果见表5。2016年全年入境旅游人数为1.39亿人次,与《统计公报》公布的数值仅相差0.07%,表明组合模型的预测效果好。组合模型预计2017年我国入境旅游将达1.45亿人次,2018年入境旅游人数将达1.54亿人次。同时组合模型认为,2016—2018年后金融危机调整期的影响仍在持续,但影响程度明显减弱,预计造成入境旅游人数损失量871.27万人次,平均每月损失25.63万人次。

表5 2016年3月—2018年12月入境旅游人数预测(万人次)

4 结论

自1998年以来,我国入境旅游发展经历了一个长周期和三个短周期。2012年以后,受后金融危机调整期的影响,我国入境旅游发展进入调整期,入境旅游人数的线性趋势不明朗。季节波动性长期保持着共性,4月、7月、8月、10月是我国入境旅游的旺季,这与春秋天气怡人、暑期家庭出游火热有关。我国入境旅游要实现再发展,既需要国家在旅游政策、国内旅游环境、国际交流合作方面下功夫,又要充分利用入境旅游旺季向外国友人宣传我国的特色旅游景点,同时还应注意旅游旺季的高峰客流管制。针对旅游淡季,旅游相关部门可以加大旅游优惠力度,打造冰雪之旅等时令旅游产品,吸引游客前来游玩。

入境旅游是一个敏感的产业,易受危机事件的影响。从危机影响程度来看,局部性危机事件,如自然灾害事件、庆典事件对我国入境旅游发展的影响时间较短,造成的旅游人数损失量和旅游经济损失量也相对较少。全球性危机事件,如公共卫生事件、经济危机事件和综合型危机事件的影响时间较长,造成的旅游人数损失量和旅游经济损失量也较大。在中长期事件中,公共卫生事件的衰退速度最快,以39%的速度衰退;综合型危机事件的影响具有季节效应,其季节效应以约36%的速度衰退。基于入境旅游的敏感性和对不同危机事件的反应程度,旅游相关部门可以建立危机事件监控体系,当再次遇到同类型危机事件时,可以根据以往的损失情况预估当下事件可能造成的损失,从而采取具有针对性的应对措施。

预测结果显示,TBTL-IA组合模型的拟合效果和预测效果都优于一般模型,具有较好的预测能力。模型预计2016年、2017年、2018年入境旅游人数分别为1.39亿人次、1.45亿人次、1.54亿人次。由于模型预计后金融危机调整期的影响仍会持续,因此目前入境旅游发展的重点应放在如何通过利好环境刺激入境旅游、减少损失上面。

本文提出的TBTL-IA组合模型的普适性高,可用于对入境旅游人数和入境旅游外汇收入进行危机评估。同时模型在入境旅游人数预测方面有不俗的表现,有助于进一步认识我国入境旅游发展的历程,探究其对外界环境的敏感程度,评价目前入境旅游发展状况,对于危机的事前防御和事后管理、因时施策刺激入境旅游发展具有实际意义。

[1]陶伟,黄秀波.2000—2009年广东省入境游客时空分布格局及其变化研究[J].人文地理,2012,27(1)∶114-118.

[2]Kim J H,Moosa I A.Forecasting International Tourist Flows to Australia：A Comparison Between the Direct and Indirect Methods[J].Tourism Management,2005,26(1)∶69-78.

[3]Gounopoulos D,Santamaria D P.Forecasting Tourist Arrivals in Greece and the Impact of Macroeconomic Shocks from the Countries of Tourists′ Origin[J].Annals of Tourism Research,2012,39(2)∶641-666.

[4]吴良平,张健.入境游客在中国区域的动态分布及其预测研究——基于带虚拟变量的ARIMA模型[J].旅游学刊,2015,30(11)∶74-85.

[5]Eugenio-Martin J,Sinclair M T,Yeoman I.Quantifying the Effects of Tourism Crises:An Application to Scotland[J].Journal of Travel & Tourism Marketing,2005,19(2)∶21-34.

[6]Box G E P,Tiao G C.Intervention Analysis with Applications to Economic and Environmental Problems[J].Journal of the American Statistical Association,1975,70(349)∶70-79.

[7]Goh C,Law R.Modeling and Forecasting Tourism Demand for Arrivals with Stochastic Nonstationary Seasonality and Intervention[J].Tourism Management,2002,23(5)∶499-510.

[8]朱迎波,葛全胜,魏小安,等.SARS对中国入境旅游人数影响的研究[J].地理研究,2003,22(5)∶551-559.

[9]Coshall J T.Interventions on UK Earnings and Expenditures Overseas[J].Annals of Tourism Research,2005,32(3)∶592-609.

[10]Corton M L,Ebrahimpour M.Forecasting Film-induced Tourism——The Dolphin Tale Case[J].Tourism Economics,2014,20(6)∶1349-1356.

[11]孙根年.我国境外旅游本底趋势线的建立及科学意义[J].地理科学,1998,18(5)∶442-448.

[12]孙根年,马丽君.基于本底线的2008年北京奥运会客流量预测[J].地理研究,2008,27(1)∶65-74.

[13]张铁生,孙根年,马丽君.危机事件对张家界旅游影响评价——基于本底线模型的高分辨率分析[J].经济地理,2012,32(10)∶145-151.

[14]刘啓仁,黄建忠.人民币汇率、依市场定价与资源配置效率[J].经济研究,2016,(12)∶18-30.

ImpactsofFiveCrisesonChinaInboundTourismScale——BaseonTBTL-IACombinedModel

LUO Miao-xuan,WU Hao-cun

(School of Economics and Commerce,South China University of Technology,Guangzhou 510000,China)

A TBTL-IA combined model,which was used to measure the impact of five crises since 1998 to China inbound tourism scale.The number of inbound tourists from 2016 to 2018 would be forecasted as well.The findings were as follows:①China inbound tourism experienced a long cycle and three short cycles with seasonal effect caused by holiday and succession of the seasons.②The impact of SARS incident lasted for 15 months,resulting in a loss of 13.86 million people.Wenchuan earthquake and inbound arrivals control of Beijing Olympic Games were short-term events,which lasted for less than three months,resulting in a loss of 0.59 million people and 1.40 million people respectively.The impact of global economic crisis lasted for 16 months,resulting in a loss of 8.12 million people.Adjustment period of post-financial crisis was a long-term event,which was affecting China inbound tourism since July 2012 and resulted in a loss of 26.99 million people.It seemed that the intensity would be significantly weakened.③Meanwhile,the combined model performed better than normal models.The number of inbound tourists from 2016 to 2018 would be 138.54 million,145.34 million and 153.77 million respectively.

China;number of inbound tourists;combined model;crisis

2017-11-17；

2017-12-23

国家社会科学基金项目(编号:15BTJ015)。

骆妙璇(1992-),女,广东省广州人,硕士研究生,研究方向为应用统计、旅游大数据。

吴浩存(1979-),男,广东省广州人,博士,副教授,研究方向为应用统计、旅游及接待业统计分析。

10.3969/j.issn.1005-8141.2018.01.022

F592.3

A

1005-8141(2018)01-0118-05