论文部分内容阅读
旅游业是第二次世界大战以后发展最快的产业之一,由于它具有“无烟产业”的特点,且对经济的拉动力巨大,世界各个国家和地区对其发展都非常重视。但同时,旅游业也是非常脆弱的产业,经常受到自然环境、经济环境、人文环境、政策、自然灾害等因素的影响。凡事预则立,旅游业相关的监管部门、运营者除了加强对旅游业的监督、管理之外,还应该重视旅游需求预测,以便合理地配置资源,规避风险。准确预测旅游需求一直是旅游研究的重要议题之一,但是由于旅游市场不稳定的特性以及影响因素的复杂性,对旅游市场进行精准预测相对困难。而旅游市场持续、稳定的发展离不开精确旅游需求预测的支持。作为旅游的三大支柱产业之一,住宿业的发展对旅游业的影响巨大,酒店的管理、经营则需要精准的预测来支持。本文从旅游需求预测的角度切入,利用EEMD和ARIMA构建新的预测模型,以美国Charleston地区酒店为研究案例,进行实证研究,并对Charleston地区与其辖的两个区域(East Cooper地区与North Charleston地区)的酒店入住率进行预测。研究以自回归积分滑动平均模型(ARIMA)为基础,首先利用R语言,构建三个地区酒店的ARIMA预测模型,分析其52周的预测结果。用ARIMA模型的预测结果为研究的基准,笔者引入了一种新的自适应频谱分析法——总体经验模式分解(EEMD),利用EEMD的滤波特性,将酒店入住率信号分解为多个本征模态函数(IMF),以研究酒店入住率数据内部的波动规律。将EEMD分解出的IMF区分高频波动、低频波动和趋势项,采用“分解与集合”的理念,分别对它们进行结合,将原始信号最终分解为三个信号,依次对3个信号构建ARIMA预测模型最后将预测值求和。最终研究结果证明,使用EEMD-ARIMA结合的模型进行预测后,中期长度的预测(26周)的结果比单独使用ARIMA模型的结果更加准确。用衡量模型优劣的指标MAPE与RMSE检测显示,在中期预测中,EEMD-ARIMA模型分别在MAPE中减少了31.25%、14.9%与1.67%的误差,在RMSE中减少31.03%、19.7%和4.1%的误差。而长期预测中,EEMD-ARIMA模型在Charleston地区减少了MAPE的9.67%与RMSE的16.4%的误差,提高了酒店入住率的预测准确度。通过研究,具体得出以下几点结论:(1)ARIMA模型对中期(26周)及长期(52周)的预测效果尚可,但单一的ARIMA模型对非线性、波动剧烈的时间序列无法进行完整的信息捕捉。通过对三个地区的酒店入住率的时间序列进行ARIMA模型建立,得出了一般的时间序列预测模型,模型检验工具MAPE与RMSE显示ARIMA模型对中期及长期的预测都有不错的效果,但ARIMA在建模中受到噪声的影响,对信息的捕捉有一定困难,因此在预测效果上还有待提高。(2)通过EEMD对数据的分解,能够从酒店入住率的非线性波动中准确地提取出波动的信息。这不仅能帮助研究者分析不同频率的波动规律及影响因素,还能够通过趋势项获知数据内在的走势与发展规律。研究显示,三个地区酒店入住率的内部发展规律与经济发展状况基本一致。(3) EEMD-ARIMA模型对酒店入住率的中期预测能力有显著的提高。结合EEMD方法深度分解数据的优势,用“分解与集合”的思想建立的EEMD-ARIMA模型能够在“分解”酒店入住率这一复杂的波动信号的基础上,平缓波动,再将其按频率分类“集合”成高频、低频、趋势三个信号,规范数据的一致性。最后建立的EEMD-ARIMA模型在MAPE与RMSE检验中证实,在三个实证案例分析中,EEMD-ARIMA模型对酒店入住率的中期预测能力都有显著的提高。本文的创新点在于:(1)本研究在传统ARIMA模型的基础上将时间序列研究深入到了信号分解的领域,拓宽了研究方法的范围,丰富了时间序列的研究内容;(2)本文将总体经验模式分解法(EEMD)首次引入旅游行业经济时间序列分析的研究中,这种方法尤其在酒店入住率研究中尚为空白。利用EEMD可以深入探索时间序列的内在运行规律和趋势。在以传统时间序列为基础的前提下,加入EEMD方法,提出了一种新的预测模型EEMD-ARIMA。根据提出的新模型,在已有的模型理论基础上综合本研究中信号分解结果的特殊性,将理论应用于实践,并得出结论证实新模型能够对传统时间序列研究的预测进行优化。