基于BP-ARIMA组合模型的福建滨海旅游市场规模预测

陈咏梅

(集美大学工商管理学院，福建 厦门 361021)

滨海旅游是指一定社会经济条件下，以海洋为依托，以海水、阳光和沙滩为主要资源基础，满足游客需求的各类旅游活动的总和[1]。对滨海旅游的关注，国外学者研究主要集中在资源、影响和可持续发展等方面[2-4]。相对而言，国内相关研究除了资源和可持续发展外[5-7]，还侧重于生态保护与旅游地竞争力等方面[8-9]。马仪亮[10]在《中国滨海旅游客流大数据报告》中提到，2017年3月到2018年2月我国滨海旅游市场规模达到10.6亿人次，相当于同期国内游市场的21.1%，在热门目的地前30名排名榜上，福建厦门的思明区、集美区和石狮市榜上有名。福建滨海旅游涉及到的宁德、福州、莆田、泉州、厦门、漳州六地市的旅游总量占绝对优势，但目前还没有对福建的滨海旅游预测方面的研究，对福建旅游市场规模预测研究不足，与其发展现状不符。

旅游市场，广义上是指交换旅游产品的过程中所产生的经济行为及关系的总和，而狭义上则是指在一定时间、一定地点和条件下，具有旅游产品购买力、购买欲望和购买权利的群体。在这个意义上，旅游市场就是旅游需求市场或旅游客源市场，则旅游市场规模反映的是旅游需求状况[11]，本研究采用狭义的定义，旅游市场规模反映为游客量、需求量。因为旅游市场需求变化及影响因素作用特征是线性和非线性并存，所以预测时需要同时考虑线性和非线性因素的变化，也因此要运用组合模型预测来提高精度[12]。本文运用组合模型对福建省滨海旅游市场规模进行预测，以期帮助决策者把握市场规模变化相关规律，减少未来的不确定性，降低盲目决策，提高决策管理水平，对福建滨海旅游发展提供相关理论指导。

一、数据来源与研究方法

(一)数据来源

以福建省统计年鉴和社会年报为基础，并参考福州、厦门等沿海地区各自社会经济发展报告，走访及电话访谈沿海县市、镇、主要景区，获取历史数据，以官方统计数据为主、被访谈人员口述数据为辅，汇总福建涉海旅游地游客总量，整理获取从2007—2017年共11 a的游客量数据如表1所示。

表1 接待滨海游客总人次Table 1 Screened input data for ARIMA model (in 10 thousand)

(二)研究方法

1.ARIMA模型

ARIMA模型，又称自回归积分移动平均方法[12]21，具体模型见公式(1)

xt=φ1xt-1+φ2xt-2+…+φpxt-p+εt-θ1εt-1-θ2εt-2-…-θqεt-q。

(1)

式(1)中：φ1,φ2,…,φp是自回归系数；p是自回归阶次；θ1,θ2,…,θq是移动平均系数；q是移动平均阶次；εt,εt-1,…,εt-q是白噪声序列。

2.BP神经网络

人工神经元通用表达式为:

(2)

式(2)中：xi(i=1,2,…,n)表示输入值；wi(i=1,2,…,n)表示权重；b表示阈值，y表示神经元的输出[12]21。

BP神经网络由输入层、输出层及若干隐含层共同构成，其自上而下由层、节点、神经元组成层次结构，上下层节点间通过权连接，平行层节点间采用全互联连接，同层内节点间无连接。输入值从输入层进入后，经过激励函数的调整变换到达隐含层，并映射变换到输出层形成神经元的输出。

3.组合模型

组合模型是通过ARIMA模型预测市场规模，运用BP神经网络对ARIMA模型预测结果进行误差调整，分别论证旅游规模的线性规律和非线性规律，最后用ARIMA 的预测结果与BP 神经网络的预测相加，以实现其线性规律与非线性规律统一，得到高精度组合预测值[12]22。

二、研究结果

(一)ARIMA 模型预测

根据统计数据的特征，先剔除游客量原始数据非正常值，获得2007—2017年福建接待滨海游客总人次数据的ARIMA模型粗选数据(见表1)。

由表1可得，福建滨海游客总人数趋势虽曾显递增，但是其增长幅度不同，存在上升趋势中的方差不齐，故而进行二次差分和取自然对数后二次差分的平稳化处理，原变量经过自然对数二次差分后实现原变量的基本平稳化，平稳化后的数据如表1所示，设定参数d=2。

再进行 ARIMA模型参数p、q的确定。由表2可得，自相关函数升降变化在4阶，则设定q=3;偏相关函数下降变化拐点在2阶，则设定p=1。据此，选定预测模型为模型ARIMA(3,2,1)。

表2 自相关与偏相关函数表Table 2 Auto-correlation and partial-correlation function

将统计数据带入ARIMA(3,2,1)模型，得到进行拟合，模型预测结果及误差见表3。

表3 3种模型预测结果Table 3 Forecasts from three different models compared

(二)BP 神经网络方法预测

由表2得BP人工神经网络的预测样本量N=9，以2009—2012年、2010—2013年、2011—2014年、……、2014—2017年ARIMA预测误差数据分组作为网络输入，理想输出数据从2012年开始，以其为样本数据进行网络训练，得输入、输出神经元分别为4和1，并经对比优化确定中间层神经元个数。计算前，先将数据归一化到[-1,1]，运用L-M算法，计算得到网络权重和阈值为：

则设定训练误差要求10-6，经9次训练，得到预测结果见表3。

(三) 组合模型预测

由ARIMA模型与BP神经网络模型预测结果可知，分别使用单一模型，都导致预测误差偏大。为此，采用组合模型对其进行预测。先使用ARIMA模型预测，实现数据线性规律的描述，预测误差中包含非线性规律；然后用BP神经网络对产生的误差预测非线性规律。最后两种预测结果相加得到组合预测模型的预测值，预测结果见表3，这样可以同时考虑接待游客量历史数据中的线性趋势和非线性趋势，且提高预测精度。

三、结论与建议

(一)结论

基于组合模型的预测方法，选取福建省滨海旅游市场为典型个案，实证分析其市场需求趋势，根据ARIMA模型得到了2018—2025年福建省滨海旅游市场需求量，BP神经网络预测出2018—2025年的误差值。具体研究结论如下：

(1)运用组合模型得到了2018—2025年福建省滨海旅游市场需求量，通过组合模型的预测值可以得出，福建省滨海旅游市场规模未来仍呈递增趋势。

(2)组合模型预测值相较于单一预测法所得值，更为精确，更趋近实际值。2018—2025年平均年增长率为26.35%的高水平，2025年福建省滨海旅游游客量将接近2017年的2倍。

(二)建议

研究结论表明，要满足福建滨海旅游市场规模增长的需求，需要政府和企业的共同协作。

(1)政府层面，首先应当在制定政策、完善滨海旅游法制、搞好滨海旅游发展规划、确定投资方向、为滨海旅游发展营造良好环境等宏观方面起着主导作用。其次，应推动旅游区域间的整合发展，加大组织协调、统筹整合的力度，以政府为主导、以企业为主体、以产品为基础、以市场为纽带，推动跨地域、跨景区的旅游协作。第三，完善滨海旅游公共服务，加强滨海旅游的咨询服务和滨海旅游信息提示，形成以福州、厦门、泉州滨海地区为中心，大力发展滨海休闲度假、滨海商务会展、滨海文化娱乐、滨海美食购物、滨海温泉康体等滨海都市旅游，完善滨海旅游中心城市功能，发挥集聚和辐射作用，打造海峡西岸滨海都市旅游目的地，满足福建滨海休闲度假旅游市场需求。

(2)企业层面，首要是应抓住机遇，进一步拓宽思路，整合资源，突出滨海旅游整体营销，强化区域效应，努力打造一流拳头产品。旅游企业应健全滨海旅游产品体系，壮大福建滨海旅游产品，应充分利用福建省海岸线长、沙滩岛屿众多、气候适宜等优势，重点推进厦门湾、平潭岛、东山岛、泉州湾、三都澳、湄洲岛等岛屿的滨海旅游开发建设，大力发展滨海休闲、海岛度假、海上运动、邮轮游艇等滨海旅游产品。其次，提升旅游从业人员的素质，不断加强旅游人才队伍的建设。