基于BP神经网络的上海市旅游需求预测研究

摘 要： 旅游需求预测对旅游目的地宏微观管理都有重要意义。基于人工神经网络的预测模型，对上海市旅游需求总人数，国内旅游需求和入境旅游需求两个分量进行模拟预测。结果显示，未来市场开发重点是呈一定波动趋势的入境旅游者，占主体部分的国内旅游者数量将持续增长并趋向饱和，应采用“国内推、入境拉”的市场发展策略。

关键词： BP神经网络 旅游需求 预测 上海

一、引言

旅游需求预测无论是在旅游目的地规划发展前期的政策研究，还是在旅游目的地景区等接待部门的运营管理实践层面都有重要的指导意义。从20世纪60年代开始，西方学者首先开始了旅游需求的预测模型和实证研究，并开发出多样化的预测方法。国内的相关研究主要出现在2000年后，在引介国外预测方法基础上，以2007年为界体现出从定性方法到定量方法的转变趋势。但由于以往国内旅游游客量相关统计数据的欠缺，以及高级计量经济工具应用能力的不足等，仍处于起步阶段。世界旅游组织（UNWTO）的亚洲旅游趋势（2018）报告指出，2000年至2017年，中国作为第一大国际旅游消费国和第四大旅游目的地，是亚太旅游崛起中最重要的驱动力量，并预测2020年将成为世界第一大旅游目的地。民众日渐突出的旅游需求、高涨的旅游热情对旅游目的地承载力带来巨大压力，无论是自然类旅游资源的生态环境承载力，交通接待设施的经济承载力，还是旅游地居民的心理承载力都面临饱和甚至过载。为了更好地满足游客的旅游需求、提升游客的旅游体验，同时也引导旅游目的地的可持续发展，探索科学预测旅游目的地旅游需求是必要前提和基础。

基于一方面旅游行业飞速发展、游客数量屡创新高，一方面旅游统计数据欠缺、预测方法仍在探索阶段的现实情况，本文通过BP神经网络建立预测模型，对上海市的各类旅游需求做预测分析，并与灰色GM（1，1）等国内常用预测模型对比验证其模拟精度。当前人工智能的发展，使人工神经网络成为值得尝试的预测方法。游客的旅游需求受到社会经济、个人因素、季节时点等各种因素的综合影响，而BP神经网络模糊性和自适应性强的特点，尤其适用于解决复杂的非线性问题。通过对上海旅游需求的预测分析，进一步为该旅游目的地市场开发管理提供发展建议。

二、上海市旅游发展概况

世界旅游和旅行者协会（WTTC）发布的《城市旅游及影响》报告显示，2017年全球旅游业产值增长最快的前五座城市均在中国，其中上海旅游业GDP总量领先全球旅游城市，占全国旅游业GDP的十分之一以上。

上海是长江三角洲经济中心城市，排名靠前的国内与入境旅游目的地。无论是早先提出的都市旅游、历史文化旅游、红色旅游，还是邮轮旅游、体育旅游、郊野休闲等，旅游产品体系逐渐丰富完整、提质升级。近年来建设上海迪士尼主题乐园为核心的国际旅游度假区，排名亚洲第一、世界第四的上海邮轮母港等，都进一步提升了旅游产业能级。根据《上海旅游业统计公报》，2003年至2018年期间，上海市旅游总人数保持不断增长，其中2009至2010年涨幅巨大。2018年上海市旅游总收入首次突破5000亿元大关，旅游业增加值占全市比重6 4%，成为支柱产业之一。

从上海市旅游者的结构来看，与全国入境旅游人数中外国人仅占20-30%，大部分为港澳台同胞的特征相比，上海市入境旅游者中外国人的比重较高，达70%-80%，体现国际化旅游城市的特点。上海拟对标巴黎、纽约等国际大都市，建设世界级著名旅游城市，制定了2020年入境游客超过1000万人的目标。旅游业态升级游客数量不断增长的同时，超出旅游环境承载力的风险也给目的地生态环境平衡和接待体验管理带来很大挑战，无论是外滩踩踏事件还是近两年网络走红的武警“人墙红绿灯”式游客管理都表明，合理预测游客旅游需求对目的地有深刻现实意义。

三、预测方法与过程

（一）BP神经网络基本原理与预测模型

BP神经网络（Back-Propagation-Network），即多层前馈式误差反传神经网络，通常由输入层、输出层和若干隐含层构成，典型结构是包含一个输入层、一个输出层和一个隐含层的三层结构。只要提供足够多的样本模式供BP网络学习训练，便能完成由n维输入控件到m维输出控件的非线性映射，网络的学习训练过程一直进行到网络输出的误差减少到设定的可接受程度。

根据上海游客量的实际情况选择建立一个隐含层的三层网络模型，经过多次上机模拟对比学习效果精度后最终选择输入层神经元为3个，即连续三年的游客数值作为输入变量。隐含层的神经元数量确定则借鉴经验公式[KF（]m+n[KF）]+a试凑为12，而输出层为1个神经元，即首个从第四年的游客量数值开始输出。为了提高训练速率，合理避开转换函数的饱和区间，对输入数据做归一化预处理，用Matlab工具箱编制程序算法预测。

本文采用的训练算法为带有动量项的自适应学习梯度下降算法（traingdx），由于之前一些研究使用标准算法且需要自行设定学习速率，它的设置会在一定程度上影响结果，给研究者们留下参数设置难，容易止步于局部最小值的印象，该算法能一定程度改善，用相对少的迭代次数达到较高的精度要求。隐含层和输出层的激活函数分布采用tan-sigmoid和log-sigmoid，设定目标误差为0 00001，学习速率自适应。

（二）上海市旅游需求模拟预测

本文数据来源于官方发布，《上海市统计年鉴》“对外经济贸易和旅游”部分（2003年至2009年）和上海市文化和旅游局发布的《上海旅游业统计公报》（2010年至2018年）。样本数据中每三年的数据用来预测第四年，即2003年至2005年的数据预测2006年，以此类推。程序对这些数据集按照70%和30%的比例随机分为训练集和测试集，测试集用来测试训练好的模型以真实反映拟合情况。使用上海市总旅游人数训练时，在迭代55380次后梯度满足设定要求，误差迅速下降并逐渐收敛在4 36×10-5，非常接近目标误差，训练曲线显示目标值与输出值之间的相关度达0 99843，在较短时间内达到精度高的要求。学习速率不是人为设定的，而是根据训练算法每次迭代实时变化。从2006年至2018年的上海市总旅游人数，训练结果的预测值与实际值之间的拟合效果良好。上海市总旅游人数整体呈现波动增长的变化趋势，除了2010年的特殊值外，其余保持較为稳定的增长速度。

上海市总旅游人数实际值与估计值的具体对照见表1，除由于2010年上海世博会特殊事件引起的变化幅度较大，以及被抽作测试集的年份误差可能略大，其余年份尤其是在2010年之后，最高误差2 65%，最低误差-0 04%。众所周知，2010年上海世博会是上海旅游发展的关键节点，这次盛会吸引了包括190个国家、56个国际组织参展，参观人数达到7308万人次，直接将来沪旅游人数推至新台阶。

为了进一步验证该方法的模拟效果，用同一组游客量历史数据，建立国内以往较广泛应用的线性回归、指数模拟和灰色GM（1，1）模型进行模拟，得到了相应的2006年至2018年上海市总旅游需求的预测值，与使用traingdx算法的BP神经网络预测结果对比。表2显示本文所用的BP神经网络模型，相关系数0 9980，误差MAPE仅为2 46%，平均绝对误差MAE和均方根误差RMSE远小于其他模型，从各个指标看预测的效果最好，其次是指数模拟、线性回归，该组数据预测结果最不理想的为灰色GM（1，1）模型。

测试通过后继续利用该模型的学习情况，输入2016—2018年的实际数据，得到2019年的预测值，多次迭代依次得到表3中预测至2025年的上海市总旅游需求人数。通过同样的方法可以预测上海市的国内旅游需求、入境旅游需求等分量，限于篇幅不赘述过程。上海市国内旅游需求训练过程中实际值与估计值的最高误差6 77%，最低0 08%，误差绝对值的均值即平均误差1 73%;入境旅游需求的训练过程中实际值与估计值的最高误差5 94%，最低误差0 16%，平均误差1 82%，达到了较好的模拟训练结果。不同于总旅游需求和国内旅游需求一直稳定增长的趋势，上海市入境旅游需求的历史数据本身是波动的，该结果验证了此前文献中认为BP神经网络对于有波动的非线性数据拟合性能优越。

四、结论与建议

（一）结论

根据BP神经网络模拟预测的结果，至2025年上海市旅游总人数整体依然是呈现波动式增长，增速有快有慢。到访上海的国内旅游者依然是总人数中的绝对力量，且保持稳定增长;由于基数大，中长期趋势是增速逐渐放缓。入境旅游者人数的总体走势是增长，短期有波动下降，且总旅游人数中的波动也往往来自入境游客的波动。因旅游经济活动受到各种偶发性因素的影响，如本次突发公共性卫生事件对旅游活动产生重大影响，可再次训练拟合和更新。

本文对上海市游客量的模拟预测过程和结果显示，利用BP神经网络，尤其是使用带有动量项的自适应学习梯度下降算法（traingdx），对比线性回归、指数模拟和灰色GM（1，1）预测等传统方法，能在计算量可接受的同时实现较高的拟合精度来完成预测。但不存在一种模型能适用于所有的游客量预测场景，数据本身特点和模型操作过程等都会对精度产生影响，需要继续研究总结不同模型的适用情况和规则。

（二）建议

游客量预测结果显示，上海市是重要的旅游目的地城市，国内外游客體量大、增长快，未来应进一步依托需求预测实现各级科学规范管理。旅游行业管理部门主要预测中长期趋势，以协调基础设施建设与接待能力提升的宏观管理;微观旅游企业单位主要预测短期趋势与季节性变化，以作为景区经营活动和旅游产品开发的依据。

此外，根据国内外客源市场的差异化特点，上海市宜采用“国内推、入境拉”的市场发展策略。以2018年为例，上海接待游客总量3 487亿人次，国内游客3 39亿人次，其中外省市来沪国内游客1 62亿人次，与上海常住人口的本地休闲旅游各占半壁。国内游客对上海市的旅游需求多是由于经济增长对旅游需求的推动，随着人均可支配收入的增加和带薪假期制度的完善，国内游客的出游意愿和成熟度越来越高，因此对于主要旅游动机为“推动”因素的国内游客，上海市应进一步完善接待设施和服务管理，提升游客体验感和满意度。

入境游客中有二至三成为港澳台同胞，外国人来沪旅游者中也有相当部分是商务旅行，因此未来上海旅游业的市场开发重点是真正的入境旅游者，以提高旅游外汇收入和减少旅游贸易逆差。入境外国游客的动机更多需要上海发挥吸引力“拉动”，塑造旅游目的地形象和精准营销。尽管上海有国际化旅游城市的发展基础，是外国游客最先认知的中国旅游城市，但距离“世界级著名旅游城市”目标还有一定距离。目前日本、美国、韩国和德国已基本稳定成为上海市入境旅游者主要来源国，可分成地缘相近国家和欧美发达国家两大类，应针对性了解重点市场游客的旅游偏好和行为模式，并着力提升语言、签证、金融、网络等专门便利入境游客的专项服务。除整合和更新原有的旅游产品组合外，鉴于重大节事活动对上海旅游业的影响力，应继续强化打造上海旅游节、中国国际进口博览会等节事品牌，举办新兴的电子竞技和职业体育赛事，深化“亚洲领先节庆及活动目的地”形象，激发国际市场的旅游热情。

参考文献：

[1]Witt F Forecasting tourism demand： A review of empirical research[J].International Journal of Forecasting，1995（11）

[2]陶伟，倪明 中西方旅游需求预测对比研究：理论基础与模型[J].旅游学刊，2010，25（08）

[3]Yuan Y，Yi C，Xuemei D et al A paired neural network model for tourist arrival forecasting[J].Expert Systems with Applications，2018（114）

[4]Sun S，Wang S，Wei Y et al Forecasting tourist arrivals with machine learning and internet search index[J].Tourism Management，2019（70）

[5]楼钢 基于BP人工神经网络的杭州入境旅游需求预测分析[J].现代商业，2010（14）

[6]张郴，张捷 中国入境旅游需求预测的神经网络集成模型研究[J].地理科学，2011，31（10）

[7]李世泰，赵亚萍 基于不同时间尺度旅游客源预测模型比较研究——以山东省为例[J].北京第二外国语学院学报，2011，33（09）

[8]唐睿，冯学钢 上海市入境旅游市场发展潜力与旅游外汇收入的关系研究——基于灰色预测和灰色关联分析法[J].资源开发与市场，2014，30（12）

〔本文系宁波市哲学社会科学规划课题（项目编号：G20-ZX05）阶段性成果〕

（许静娜，宁波大学科学技术学院、西班牙巴利阿里群岛大学）