黑龙江省旅游业收入预测及其关联因素研究

祖培福 刘嘉扬

[摘 要] 运用对背景值优化的改进灰色预测模型，以黑龙江省近八年的旅游收入数据为依据，对其未来几年的旅游收入做出预测，从预测值可以看到黑龙江省旅游收入将在2019年突破2000亿元，并在2020年突破2200亿元。同时，对影响黑龙江省旅游收入的主要因素做了比较研究，以确定各因素与旅游业收入的相关程度。结果显示：所选的八个因素与旅游收入都密切相关，按照影响程度由大到小，分别是住宿餐饮业、城镇常住居民人均可支配收入、年末金融机构住户存款额、铁路旅客周转量、公路旅客周转量、信息传输、民航旅客周转量、绿色食品产值。

[关键词] 黑龙江省;预测;旅游收入;关联度

[中图分类号] F592[文献标识码] A[文章编号] 1009-6043（2019）10-0005-03

Abstract： Using the improved grey prediction model of background value optimization， based on the data of tourism income of Heilongjiang province in the past eight years， the paper forecasts the tourism income of the province in the next few years. From the prediction value， it can be seen that the tourism income of the province will break through 200 billion yuan in 2019 and 220 billion yuan in 2020. At the same time， the paper makes a comparative study of the main factors affecting the tourism income of the province， in order to determine the correlation between each factor and the tourism income. The results show that the eight factors are closely related to tourism income. According to the degree of influence， they are accommodation and catering industry， per capita disposable income of urban residents， household deposits of financial institutions at the end of the year， railway passenger turnover， highway passenger turnover， information transmission， civil aviation passenger turnover and green food output value.

Key words： Heilongjiang， prediction， tourism income， correlation

一、引言

在黨中央把促进消费、扩大内需确定为促进国民经济发展的长期战略方针和基本立足点的背景下，旅游业作为第三产业的重要组成部分，成为发展最快的新兴产业之一。旅游业的发展以国民经济发展水平为基础，反过来又促进着国民经济各行业的发展，在国民经济中占有越来越重要的地位。旅游业的模糊性和不确定性，为旅游业相关的分析和决策带来很大困难，因此对某一地区的旅游业相关指标尽可能进行定量分析一直是热点研究问题。国内许多学者关于此问题的研究取得了丰硕的成果，如靳巧花等利用灰色动态模型对丽江旅游人数进行了预测研究[1];郑洲顺等利用灰色预测模型及回归模型对2008年北京旅游人口进行了分析，预测出了2008年每月入京的旅游人数[2];在改善预测误差方面，党婷等基于权变方法建立了GM-ES-GASVR组合预测模型对丽江旅游需求进行了预测[3];张舒等将灰色预测模型与BP神经网络相结合对海南的旅游需求进行了预测分析[4];而陈美璘等通过建立基于熵权法的混合模型对贵州省旅游人数进行了较好的预测[5]。以上文献都是从旅游人数角度利用预测模型进行了预测和分析，而还有一些文献重点研究分析了旅游业对地区国民经济发展的贡献。例如，王维国等运用状态空间模型测度了中国的旅游边际消费倾向，分析了旅游业对国民经济的拉动作用并提出了相应的对策建议[6];而周芳等利用乘数模型研究分析了旅游业对西藏经济的重要影响[7]。上述文献从不同角度对旅游业的定量研究取得了很有价值的成果，极大丰富了对旅游业问题定量研究的理论与方法。

鉴于灰色系统理论[8-12]在处理小样本、贫信息方面的优势并考虑到传统灰色预测模型的预测精度问题，本文将运用对灰色预测模型背景值进行优化以提高预测精度的预测模型[9]结合黑龙江省2010-2017年旅游收入数据，对黑龙江未来几年的旅游收入状况做出了预测，并在考虑数据可得基础上选取了潜在影响黑龙江旅游收入的城镇常住居民人均可支配收入、旅客周转量及绿色食品产值等指标进行了系统分析，可为黑龙江旅游业发展宏观决策与战略制定提供科学依据资料。

二、建立优化背景值的改进灰色预测模型

由灰色系统理论可知，传统灰预测模型实际上是由一个单变量的原始数据列作累加生成处理后，建立的一阶微分方程，建立GM（1，1）模型首先确定原始时间序列X（0），记为：

X（0）={x（0）（1），x（0）（2），…，x（0）（n）}

接下来作一阶累加生成序列，得：

进而利用累加所生成数列X（1）建立下述一阶白化微分方程：

为求此方程的解，可用最小二乘法并结合MATLAB通过下式估计参数列（a，b）T：

而Z（1）={z（1）（2），z（1）（3），…，z（1）（n）}为X（1）的紧邻均值生成序列，其中z（1）（k）为：

在此基础上得到的解即为传统灰色预测模型解[9]，由上述灰色预测模型的建模过程可知，预测模型的预测精度与参数a和b有直接关系，而这些又会受到背景值z（1）（k）影响，从而背景值可认为是直接关系到模型模拟与预测精度的关键因素，所以对背景值进行优化可以较好地提高预测模型的预测精度，运用文献[9]中所介绍的方法对背景值进行优化改进，从而优化后的背景值表达式如下：

利用此优化后的背景值取代上述利用累加生成序列的紧邻均值计算的背景值，可得到通过对背景值优化的白化方程的解为：

由下述方程：

x（0）（k）+az（1）（k）=b

接下来将运用此改进预测模型对黑龙江省旅游收入进行预测。

三、黑龙江省旅游收入预测

本文的研究选用2010-2017年黑龙江省旅游收入数据进行分析，数据如下表：

基于以上数据得到由最小二乘法结合MATLAB7.5软件得到的背景值优化后的GM（1，1）预测模型如下：

根据此式并结合上述原始数据对2018年-2021年黑龙江省旅游收入的预测如下：

四、影响黑龙江省旅游业收入的主要因素研究

为研究黑龙江省旅游收入变化与其相关因素的关系，将运用灰色关联分析法来进行分析，此方法以灰色理论为基础，以各指标的样本数据为依据，通过计算灰色关联度量化指标间的强弱次序，达到分析各分指标与整体系统的关联程度，是相对某一基准的多指标分析法，且此方法对样本的分布规律及样本量均无明确限制。具体分析过程如下：

（一）建立分析数据列

首先确定参考数据列，本文中即为旅游收入（亿元），记为X0：

X0={x0（1），x0（2），…，x0（n）}

然后建立各影响因素的比较数据列，记为Xi，

Xi={xi（1），xi（2），…，xi（n）}，i=1，2，…，m

在考虑数据可得情况下，对影响黑龙江省旅游收入因素分析，我们选取的主要潜在影响因素为：城镇常住居民人均可支配收入（元）、年末金融机构住户存款额（亿元）、信息传输（亿元）、铁路旅客周转量（亿人公里）、公路旅客周转量（亿人公里）、民航旅客周转量（亿人公里）、住宿餐饮业（亿元）及绿色食品产值（亿元），依次记为X1，X2，X3，X4，X5，X6，X7，X8各指标数据见下表：

表3 2013-2017年黑龙江省旅游收入及各影响因素数据[13]

（二）原始数据的无量纲化处理

对原始数据本文采用初值化方法作无量纲化处理，即指对每个数据列均用其第一个数xi（1）去除各数据xi（k）（k=1，2，3，4，5），从而得到一个新的数列.将X0，X1，X2，X3，X4，X5，X6，X7，X8中的原始数据序列作初值化变换，见表4：

表4 2013-2017年黑龙江省旅游收入

及各影响因素原始数据初值化处理结果

（三）各因素关联系数计算及确定关联度

对于参考数列X0及若干比较数据列X1，X2，X3，…，Xn的情况，关联性就是考察曲线间几何形状的差别，可利用下面公式表示参数曲线与各比较曲线在各点的差：

五、总结

本文通过运用对背景值优化后的灰色预测模型，结合黑龙江省近些年的旅游收入数据，对未来几年的旅游收入状况进行了预测，从预测值可以看到黑龙江省旅游收入将在2019年突破2000亿元，并在2020年突破2200亿元，这与《黑龙江省旅游业“十三五”发展规划》中到2020年实现旅游业收入达到2200亿元的发展目标还是很相符的，也间接说明了此改进预测模型有较好的预测精度。

另外，通过灰色关联分析方法对影响黑龙江旅游收入的潜在影响因素进行了分析，可看到在所选的八个因素中，关联度值最大为0.90006，最小值为0.6076，平均值达到了0.7989，显示各因素与旅游收入都密切相关。其中住宿餐饮业对旅游收入的影响最大;紧随其后的是城镇常住居民人均可支配收入与年末金融机构住户存款额，从关联度值可看出二者与黑龙江省旅游收入也有着非常紧密的关系，基本上与住宿餐饮业的影响在同一水平线上;再就是铁路旅客周转量与公路旅客周转量这两个因素，二者与旅游收入的关联度值也都超过了0.8，显示二者对黑龙江省旅游收入的影响也是很大的;信息传输与民航旅客周转量这两个因素与旅游收入的关联度值都刚过0.7，显示与旅游收入关系一般;而黑龙江省绿色食品产值与旅游收入的关联度在众多因素中最小，显示其有很大发展空间。

[参考文献]

[1]靳巧花，李帅彪，等.基于灰色动态模型的丽江旅游人数预测研究[J].数学的实践与认识，2012，42（22）：42-46.

[2]郑洲顺，汤嘉，等.基于灰色预测模型的2008北京旅游人口预测分析[J].数学的实践与认识，2010，40（9）：8-15.

[3]朱晓华，杨秀春，等.基于GM-ES-GASVR组合模型的丽江国内旅游需求预测[J].数学的实践与认识，2017，47（8）：279-287.

[4]张舒，王浩华，等.基于神经网络算法的海南旅游需求测估模型[J].数学的实践与认识，2015，45（19）：12-22.

[5]陈美璘，何清龙.基于熵权法混合模型的贵州省旅游人数预测研究[J].数学的实践与认识，2018，48（21）：307-313.

[6]王维国，徐勇.中国旅游业发展对国民经济贡献的计量分析[J].数学的实践与认识，2009，39（9）：1-8.

[7]周芳，马守春，等.西藏旅游收入乘数模型及主要因素的关联分析[J].数学的实践与认识，2018，48（16）：110-115.

[8]邓聚龙.灰预测与灰决策[M].武汉：华中科技大学出版社，2002.

[9]刘思峰，党耀国，等.灰色预测与决策模型研究[M].北京：科学出版社，2009.

[10]刘思峰，邓聚龙.GM（1，1）模型的适用范围[J].系统工程理论与实践，2000，5（20）：121-124.

[11]羅党.灰色决策问题的分析方法研究[D].南京：南京航空航天大学，2005.

[12]党耀国.灰色不确定性分析与决策模型研究[D].南京：南京航空航天大学，2006.

[责任编辑：史朴]