基于GIOWA算子的中國(guó)國(guó)內(nèi)旅游人數(shù)預(yù)測(cè)

張婉玉

摘要：采用指數(shù)平滑法、拋物線模型和多元回歸模型三種單項(xiàng)預(yù)測(cè)模型對(duì)1994～2018年我國(guó)國(guó)內(nèi)旅游人數(shù)數(shù)據(jù)進(jìn)行擬合預(yù)測(cè)，然后利用廣義誘導(dǎo)有序加權(quán)平均算子將三種單項(xiàng)預(yù)測(cè)模型進(jìn)行組合，分別探討了λ=1，λ=0，λ=-1，λ=1/2時(shí)的組合預(yù)測(cè)結(jié)果，結(jié)果顯示，組合預(yù)測(cè)的精度和效度完全高于各個(gè)單項(xiàng)預(yù)測(cè)結(jié)果;利用組合預(yù)測(cè)模型對(duì)未來3年我國(guó)國(guó)內(nèi)旅游人數(shù)進(jìn)行預(yù)測(cè)，未來三年我國(guó)國(guó)內(nèi)旅游人數(shù)將會(huì)以6%左右的漲幅增加。

關(guān)鍵詞：GIOWA算子;旅游人數(shù);組合預(yù)測(cè)

中圖分類號(hào)：F592.7 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1008-4657（2020）05-0021-08

0 引言

旅游業(yè)是第三產(chǎn)業(yè)的重要組成部分，改革開放以來，我國(guó)的旅游市場(chǎng)規(guī)模穩(wěn)步擴(kuò)大，發(fā)展前景十分可觀，既能帶動(dòng)經(jīng)濟(jì)發(fā)展，擴(kuò)大就業(yè)，還可以提升當(dāng)?shù)鼗A(chǔ)設(shè)施的建設(shè)和公共交通的建設(shè)。然而，由于2020年初的新冠肺炎疫情，各地采取嚴(yán)格的隔離措施，封鎖海關(guān)、取消航班，對(duì)各國(guó)各地的旅游業(yè)產(chǎn)生了嚴(yán)重影響。合理估計(jì)疫情引起的損失，規(guī)劃和發(fā)展國(guó)內(nèi)旅游業(yè)，需要更精準(zhǔn)的預(yù)計(jì)未來的旅游人數(shù)。

1969年，Bates J M等[1]對(duì)組合預(yù)測(cè)方法進(jìn)行了比較系統(tǒng)的研究，引起了廣泛關(guān)注。隨后國(guó)內(nèi)外學(xué)者在最優(yōu)組合預(yù)測(cè)方法的基本理論、組合預(yù)測(cè)權(quán)重的計(jì)算、以及非負(fù)權(quán)重預(yù)測(cè)方法等方面展開了大量研究[2-5]。在利用組合預(yù)測(cè)方法進(jìn)行預(yù)測(cè)方面，我國(guó)學(xué)者的研究也有很多，熊巍等[6]選擇指數(shù)平滑法、季節(jié)性差分自回歸滑動(dòng)平均模型（Seasonal Autoregressive Integrated Moving Average，SARIMA）、反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)模型和灰色系統(tǒng)模型，利用誤差平方和倒數(shù)最小的準(zhǔn)則確定權(quán)重構(gòu)建組合預(yù)測(cè)模型，對(duì)農(nóng)產(chǎn)品的市場(chǎng)價(jià)格進(jìn)行了預(yù)測(cè)。劉智祿等[7]通過灰色系統(tǒng)模型（Grey Model，GM）和BP神經(jīng)網(wǎng)絡(luò)的組合模型預(yù)測(cè)西安市2018～2020年的房?jī)r(jià)。梁曉瑩[8]基于自回歸差分移動(dòng)平均模型（Autoregressive Integrated Moving Average，ARIMA）和支持向量機(jī)模型（Support Vector Machines，SVM）對(duì)鄭州市CPI進(jìn)行預(yù)測(cè)，實(shí)證結(jié)果顯示組合預(yù)測(cè)的預(yù)測(cè)結(jié)果更準(zhǔn)確。

我國(guó)關(guān)于旅游需求的預(yù)測(cè)大多采用單項(xiàng)預(yù)測(cè)模型。李軍言等[9]利用ARIMA模型對(duì)我國(guó)入境旅游人數(shù)進(jìn)行預(yù)測(cè)分析，發(fā)現(xiàn)因世界經(jīng)濟(jì)低迷的影響，目前我國(guó)入境旅游處于收縮階段。王敬昌等[10]采取分時(shí)序分段策略，利用卷積神經(jīng)網(wǎng)絡(luò)提取景區(qū)多因素時(shí)序數(shù)據(jù)特征，結(jié)合預(yù)測(cè)時(shí)刻的情境信息預(yù)測(cè)短期景區(qū)內(nèi)游客人數(shù)。陳鵬等[11]通過ARIMA模型對(duì)安徽省1995～2010年的入境旅游人數(shù)進(jìn)行預(yù)測(cè)。王曉霞等[12]利用灰色預(yù)測(cè)模型，得到了牡丹江市的旅游人數(shù)的規(guī)律?，F(xiàn)有研究在利用組合預(yù)測(cè)對(duì)旅游人數(shù)進(jìn)行預(yù)測(cè)時(shí)，主要選擇某一種最優(yōu)性準(zhǔn)則，例如，吳良平等[13]選擇短記憶預(yù)測(cè)模型和長(zhǎng)記憶預(yù)測(cè)模型對(duì)中國(guó)入境旅游人數(shù)進(jìn)行了預(yù)測(cè)，然后將各單項(xiàng)預(yù)測(cè)模型利用誘導(dǎo)有序加權(quán)調(diào)和平均算子（Induced Ordered Weighted Harmonic Averaging Operator，IOWHA）進(jìn)行組合，有效提高了預(yù)測(cè)精度。劉盛宇等[14]利用誤差平方和最小的準(zhǔn)則，選取Holt-Winters非季節(jié)指數(shù)平滑模型，自回歸分布滯后模型，以及局部多項(xiàng)式回歸模型對(duì)1978～2011年的國(guó)際旅游外匯收入進(jìn)行預(yù)測(cè)。王洋[15]利用IOWA算子將灰色系統(tǒng)模型，指數(shù)平滑模型，和BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果組合起來，更精確地預(yù)測(cè)了成都的入境旅游需求。廣義誘導(dǎo)有序加權(quán)平均（Generalized Induced Ordered Weighted Averaging，GIOWA）組合預(yù)測(cè)模型是更廣泛意義的組合預(yù)測(cè)模型，在λ為不同值時(shí)，分別對(duì)應(yīng)不同的最優(yōu)性準(zhǔn)則。本文采用指數(shù)平滑模型、拋物線模型和多元回歸模型，利用GIOWA算子對(duì)國(guó)內(nèi)旅游人數(shù)進(jìn)行組合預(yù)測(cè)，以求更加精確的預(yù)測(cè)未來旅游人數(shù)變化。

1 單項(xiàng)預(yù)測(cè)方法的擬合預(yù)測(cè)

1.1 指數(shù)平滑法

對(duì)我國(guó)1994～2018年國(guó)內(nèi)旅游旅游人數(shù)進(jìn)行分析，可以發(fā)現(xiàn)，數(shù)據(jù)呈明顯的上升趨勢(shì)，因此可以選擇較大的α值。通過Eviews對(duì)不同α對(duì)應(yīng)的殘差平方和進(jìn)行比較，結(jié)果如表1所示。

1.3 多元回歸模型

選取1994～2018年我國(guó)城鎮(zhèn)居民人均可支配收入a1（元），我國(guó)鐵路營(yíng)業(yè)里程a2（萬(wàn)公里），我國(guó)公里營(yíng)業(yè)里程a3（萬(wàn)公里）作為自變量，以國(guó)內(nèi)旅游人數(shù)x3t（百萬(wàn)人）作為因變量建立多元回歸模型，進(jìn)行逐步回歸，剔除一些不顯著變量。最終得到的模型如下：

2 基于GIOWA算子的組合預(yù)測(cè)方法

4 預(yù)測(cè)結(jié)果分析

由于GIOWA組合預(yù)測(cè)模型在樣本期內(nèi)具有較高的預(yù)測(cè)精度，下面分別對(duì)于λ取不同值用GIOWA組合預(yù)測(cè)模型預(yù)測(cè)2019～2022年我國(guó)國(guó)內(nèi)旅游人數(shù)。

由于變權(quán)重GIOWA組合預(yù)測(cè)模型在樣本期內(nèi)是根據(jù)預(yù)測(cè)精度作為誘導(dǎo)值，在每一時(shí)點(diǎn)對(duì)每一種單項(xiàng)預(yù)測(cè)方法按照預(yù)測(cè)精度由大到小進(jìn)行賦權(quán)w1w2w30。然而在預(yù)測(cè)期，由于沒有實(shí)際值作比較，無法計(jì)算預(yù)測(cè)期每一個(gè)時(shí)點(diǎn)各種單項(xiàng)預(yù)測(cè)方法的預(yù)測(cè)精度，也就無法確定各種單項(xiàng)預(yù)測(cè)方法的預(yù)測(cè)權(quán)重。對(duì)此，本文用簡(jiǎn)單平均法得到三種單項(xiàng)預(yù)測(cè)方法在預(yù)測(cè)期的權(quán)重分別為：在λ=1時(shí)的權(quán)重向量為（0.134 7，0.458 3，0.407 0）T;在λ→0時(shí)的權(quán)重向量為（0.17，0.445 3，0.354 2）T;在λ=-1時(shí)的權(quán)重向量為（0.213 7，0.430 4，0.355 9）T;在λ=12時(shí)的權(quán)重向量為（0.142 1，0.458 3，0.383 0）T。