對于旅游景區(qū)管理流量預(yù)測探討論文
1引言
自20世紀(jì)50年代以來，世界旅游業(yè)發(fā)展迅速。蓬勃發(fā)展的旅游業(yè)給目的地帶來經(jīng)濟(jì)效益與社會效益的同時，也給旅游風(fēng)景區(qū)的自然生態(tài)環(huán)境造成了威脅。怎樣協(xié)調(diào)好經(jīng)濟(jì)效益、社會效益和生態(tài)環(huán)境三者的關(guān)系，是我們亟待解決的問題。許多旅游景點(diǎn)的游客量呈現(xiàn)持續(xù)增長的趨勢，但這種增長并不是一條直線，往往表現(xiàn)為在旺季人滿為患，在淡季卻門庭冷落。游客數(shù)量在時間上的不均衡波動給景區(qū)管理帶來很大挑戰(zhàn)。要實(shí)現(xiàn)風(fēng)景區(qū)科學(xué)規(guī)劃與永續(xù)利用，需要把握游客的時空變化規(guī)律，準(zhǔn)確預(yù)測游客數(shù)量。其中短期游客量的預(yù)測是景區(qū)進(jìn)行資源科學(xué)管理與合理調(diào)度的基本依據(jù)，對此進(jìn)行深入研究有重要的現(xiàn)實(shí)意義。
2問題提出與解決框架
2.1研究區(qū)域九寨溝位于四川省阿壩藏族羌族自治州九寨溝縣境內(nèi)，海拔在2000米以上，溝內(nèi)遍布原始森林，分布了108個湖泊，是我國被列入世界遺產(chǎn)名錄的著名旅游風(fēng)景區(qū)之一。九寨溝一年四季景色都十分迷人，各個季節(jié)有不同的景致，因此游客絡(luò)繹不絕，其中以4月至11月游客量最多(章小平，朱忠福，2007)。圖1研究路徑
2.2問題提出國內(nèi)外學(xué)者對旅游景區(qū)容量及游客量預(yù)測問題的研究始于20世紀(jì)60年代，幾十年的發(fā)展取得了豐富的成果，如Law(1999)利用神經(jīng)網(wǎng)絡(luò)模型預(yù)測游客需求，Mello(2001)使用向量自回歸方法預(yù)測英國旅游者的長期旅游需求及目的地份額，Stucka(2002)使用了計(jì)量經(jīng)濟(jì)學(xué)中普通最小二乘法(OLS)與相似非相關(guān)模型(SUR)來預(yù)測克羅地亞的旅游需求。國內(nèi)學(xué)者的研究成果也比較豐富，如楚方林研究發(fā)現(xiàn)非季節(jié)性自回歸移動平均結(jié)合模型能獲得較優(yōu)的預(yù)測結(jié)果(ChuFonglin，1998)，王朝宏使用模糊時間序列與混合灰色理論預(yù)測到臺灣的美國和香港游客的旅游需求(WangChao-Hung，2004)，曾忠祿、鄭勇(2009)使用計(jì)量經(jīng)濟(jì)學(xué)模型預(yù)測了內(nèi)地赴澳門的游客量，雷可為、陳瑛(2007)應(yīng)用了BP神經(jīng)網(wǎng)絡(luò)和ARIMA組合模型預(yù)測中國入境游客量，顏磊等(2009)提出了小波分析法并用此方法分析了九寨溝景區(qū)游客旅游時間流的特征，胡小猛等(2006)通過研究得出三個主要阻礙上海居民去崇明島旅游的障礙因素，得出了游客量與潛在游客規(guī)模及各類阻礙相關(guān)的預(yù)測模型。這些方法大多以預(yù)測某地游客量的發(fā)展趨勢以及分析影響這些地區(qū)游客量的因素為主。雖然國內(nèi)外學(xué)者對年際游客量的預(yù)測形成了豐富的成果，但是對日游客量的預(yù)測問題鮮有研究。隨著游客的旅游方式的變化，影響一個地區(qū)游客量的因素已經(jīng)不僅僅是由旅游的季節(jié)性因子和景區(qū)基礎(chǔ)條件所決定，各種社會因素、自然突發(fā)狀況也會對一個景區(qū)的游客量產(chǎn)生重要影響(吳耀宇，黃震方，2010)。本文研究日游客量的預(yù)測問題正是基于對上述變化的思考�？紤]季節(jié)與季節(jié)之間的
2.3解決框架本研究通過實(shí)地調(diào)查和數(shù)據(jù)采集獲得研究數(shù)據(jù)。采用逐步回歸法對日游客量預(yù)測建立回歸模型，再利用BP神經(jīng)網(wǎng)絡(luò)對回歸模型計(jì)算出的預(yù)測結(jié)果進(jìn)行誤差的修正，最后將修正出來的結(jié)果作為最終預(yù)測的日游客量。圖1為本文的研究路徑。
3實(shí)證研究
3.1多元線性回歸模型本研究通過實(shí)地調(diào)研采集了大量數(shù)據(jù)，其中包括九寨溝2009年和2010年上半年日游客量數(shù)據(jù)、九寨溝2009年和2010年每日的氣象數(shù)據(jù)，全國2009年和2010年法定假日的數(shù)據(jù)等。有研究表明氣候的季節(jié)性固然會一個景區(qū)游客量的'大小產(chǎn)生重要的影響，但是也應(yīng)該加大對社會因素、自然突發(fā)狀況的關(guān)注。因此本文重點(diǎn)考慮社會因素和自然突發(fā)狀況對游客量的影響，設(shè)定出與游客量波動有關(guān)的主要因子。影響游客量的因子在季節(jié)與季節(jié)之間差異大，在相鄰兩日之間差異小，因此在考慮到景區(qū)前后兩日季節(jié)性因子相差不大的情況下，設(shè)定出前日游客數(shù)量級、前日溫度、前日降雨等因子，再考慮到前后兩日的社會因子可能會因?yàn)榉偶俚仍蚨a(chǎn)生差異的情況，設(shè)定出法定假日、寒暑假、旅游淡旺季等幾個因子。由于自然突發(fā)狀況無法準(zhǔn)確預(yù)測以及定量，因此將其作為影響隨機(jī)誤差的一個因子。綜合考慮上述因素對景區(qū)游客量的影響之后，得出了可能影響九寨溝日游客量的因子。本文通過研究2009年數(shù)據(jù)來建立模型。首先利用SPSS軟件分別對設(shè)定的因子與九寨溝游客量之間進(jìn)行相關(guān)性分析，得到前日溫度、前日降雨、法定假日、前日游客數(shù)量級、寒暑假、旅游淡旺季幾個與九寨溝游客量相關(guān)性較高的因子。然后將九寨溝實(shí)際游客量的數(shù)據(jù)和因子導(dǎo)入SPSS，通過模塊—逐步回歸建立回歸模型。逐步回歸的基本思想是，在考慮對Y已知的一群變量(X1…Xk)回歸時，從變量X1，…，Xk中，逐步選出對已解釋變差的貢獻(xiàn)最大的變量進(jìn)入回歸方程，并且同時滿足偏解釋變差的F統(tǒng)計(jì)量的值fj的顯著性概率p小于等于選定的顯著性水平α。采用逐步回歸法，在顯著性水平α為0.05水平下，一共有4個因子依次進(jìn)入回歸方程，依次是前日游客數(shù)量級、法定假期、前日溫度和旅游淡旺季，從模型匯總表中可以看出，最后一個包含了以上4個因子的回歸模型的判定系數(shù)R=0.919，校正判定系數(shù)R2=0.918，各種影響因子對實(shí)際游客量的回歸效果良好。檢驗(yàn)?zāi)Ｐ偷亩嘀毓簿�性、異方差性和序列相關(guān)性，三個問題均不存在。模型方差檢驗(yàn)、回歸系數(shù)檢驗(yàn)也都通過。根據(jù)高斯-馬爾柯夫(BLUE)定理，回歸系數(shù)表所求得的回歸系數(shù)具有最優(yōu)性、線性和無偏性。以上從SPSS中獲取的結(jié)果證明通過多元回歸得出的模型擬合度比較高，結(jié)果比較理想。最后根據(jù)回歸系數(shù)得出的多元回歸方程為:y=-14394.805+781.351x1+1143.616x2+45.851x3+416.860x4+μ(1)其中y為預(yù)測的日游客量，x1為前日游客數(shù)量級，x2為法定假期，x3為前日溫度，x4為旅游淡旺季，μ為隨機(jī)誤差。
3.2BP神經(jīng)網(wǎng)絡(luò)修正理論已證明，三層BP網(wǎng)絡(luò)可以以任意精度逼近任何連續(xù)函數(shù)(張興會，等，2004)。以多元回歸模型的預(yù)測誤差作為輸入的學(xué)習(xí)樣本，在神經(jīng)網(wǎng)絡(luò)中經(jīng)過不斷修正可以得到更好的預(yù)測結(jié)果。BP神經(jīng)網(wǎng)絡(luò)可以從大量的離散實(shí)驗(yàn)數(shù)據(jù)中，經(jīng)過學(xué)習(xí)訓(xùn)練，提取其領(lǐng)域知識，并將知識表示為網(wǎng)絡(luò)連接權(quán)值的大小與分布，建立起反映實(shí)際過程內(nèi)在規(guī)律的系統(tǒng)模型。BP網(wǎng)絡(luò)可以包含不同的隱層，理論上已經(jīng)證明，在不限制隱層節(jié)點(diǎn)數(shù)的情況下，只有一個隱層的BP網(wǎng)絡(luò)可以實(shí)現(xiàn)任意非線性映射。在模式樣本相對較多的情況下，較多的隱層節(jié)點(diǎn)，可以實(shí)現(xiàn)模式樣本空間的超平面劃分，因此本文使用具有單隱層的BP網(wǎng)絡(luò)來實(shí)現(xiàn)對多元線性回歸模型的修正(陳如云，2007)。圖2為BP神經(jīng)網(wǎng)絡(luò)原理示意圖，其中Wij是輸入層到隱層的權(quán)重，Wjl是隱單元層到輸出層的權(quán)重。
3.2.1訓(xùn)練樣本歸一化原始樣本中數(shù)據(jù)為預(yù)測游客量的誤差均大于1，而BP神經(jīng)網(wǎng)絡(luò)所處理的是數(shù)值在[-1，1]區(qū)間的數(shù)據(jù)，因此這些樣本數(shù)據(jù)在研究中都需要將它們轉(zhuǎn)化為區(qū)間之間的數(shù)據(jù)。本文對樣本數(shù)據(jù)采用的歸一化公式如下:式中I為原始誤差輸入數(shù)據(jù)，I^為歸一化后的輸入數(shù)據(jù)，g為原始樣本期望目標(biāo)數(shù)據(jù)即實(shí)際游客量，g^為歸一化后的期望目標(biāo)數(shù)據(jù)。
3.2.2網(wǎng)絡(luò)訓(xùn)練本文采用三層的神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，對游客數(shù)量預(yù)測誤差進(jìn)行修正。采用2009年數(shù)據(jù)作為訓(xùn)練樣本，因數(shù)據(jù)量比較大，隱層神經(jīng)元的節(jié)點(diǎn)個數(shù)n2要盡量多，故本文選擇n2=150，這里的隱層神經(jīng)元節(jié)點(diǎn)個數(shù)不是固定的，要根據(jù)實(shí)際訓(xùn)練的檢驗(yàn)修正。輸入層神經(jīng)元節(jié)點(diǎn)個數(shù)n1=5，輸出層神經(jīng)節(jié)點(diǎn)個數(shù)n3=1，將1月1日-5日、2日-6日、3日-7日等的游客數(shù)量預(yù)測實(shí)際誤差作為網(wǎng)絡(luò)輸入，以6日、7日、8日等的實(shí)際游客量作為網(wǎng)絡(luò)輸出，組成樣本數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最后得出預(yù)測誤差。采用MATLAB測試，輸入層到中間層和中間層到輸出層的傳遞函數(shù)均受用正切函數(shù)，學(xué)習(xí)率設(shè)為0.5，訓(xùn)練次數(shù)設(shè)為5000，訓(xùn)練目標(biāo)誤差為1×1010。使用MATLAB進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到歸一化處理過的輸出層數(shù)據(jù)，首先需要對輸出層數(shù)據(jù)還原，根據(jù)歸一化公式得到還原公式:式中I為還原的神經(jīng)網(wǎng)絡(luò)輸出數(shù)據(jù)，I*為神經(jīng)網(wǎng)絡(luò)原始輸出數(shù)據(jù)。經(jīng)過MATLAB的處理，將預(yù)測誤差與回歸模型預(yù)測值相加，得到最終預(yù)測值。
3.3模型驗(yàn)證
3.3.1回歸部分將2010年數(shù)據(jù)帶入回歸方程，通過計(jì)算得出游客量預(yù)測值。下圖3所示為根據(jù)回歸方程(1)計(jì)算得到的2010年上半年日游客量的實(shí)際值與預(yù)測值之間的對比圖，其中y為預(yù)測游客量，g為期望目標(biāo)數(shù)據(jù)，即實(shí)際游客量，橫坐標(biāo)為日期的序列值，縱坐標(biāo)為游客數(shù)。
3.3.2BP神經(jīng)網(wǎng)絡(luò)部分要預(yù)測某天的游客數(shù)量誤差，應(yīng)該將回歸模型預(yù)測的前五日實(shí)際誤差作為神經(jīng)網(wǎng)絡(luò)輸入，經(jīng)過神經(jīng)網(wǎng)絡(luò)的運(yùn)算之后得到輸出為當(dāng)日游客量預(yù)測誤差，將此輸出的預(yù)測誤差與回歸模型的當(dāng)日游客量值進(jìn)行相加或相減，得到最終游客量預(yù)測值。圖4是經(jīng)過BP神經(jīng)網(wǎng)絡(luò)修正前后的兩個日游客量預(yù)測值的對比圖，其中，y為多元回歸預(yù)測值，Y為BP神經(jīng)網(wǎng)絡(luò)修正值，橫坐標(biāo)為日期的序列值，縱坐標(biāo)為游客數(shù)。由圖4可以看到經(jīng)過BP神經(jīng)網(wǎng)絡(luò)修正前后的游客數(shù)變化趨勢是基本一致的，只是在游客數(shù)的多少上存在差別。下圖5為經(jīng)多元回歸模型預(yù)測，BP神經(jīng)網(wǎng)絡(luò)修正后的最終預(yù)測到達(dá)人數(shù)(Y)與九寨溝實(shí)際到達(dá)人數(shù)(g)對比圖，橫坐標(biāo)為日期的序列值，縱坐標(biāo)為游客數(shù)。從多元回歸模型的預(yù)測到BP神經(jīng)網(wǎng)絡(luò)的修正，預(yù)測值與實(shí)際值的變化趨勢是基本一致的，從圖2與圖5的對比可以看出:九寨溝游客每年實(shí)際到達(dá)人數(shù)呈現(xiàn)出多峰性;實(shí)際到達(dá)人數(shù)與預(yù)測到達(dá)人數(shù)所呈現(xiàn)出的峰值是基本一致的;二者的對比圖顯示二者在數(shù)量上的預(yù)測也基本準(zhǔn)確。而且經(jīng)BP神經(jīng)網(wǎng)絡(luò)修正后，游客到達(dá)預(yù)測值與游客實(shí)際到達(dá)值之間更為接近，通過計(jì)算，可以得到神經(jīng)網(wǎng)絡(luò)模型對預(yù)測值修正后誤差顯著變小，經(jīng)計(jì)算得修正預(yù)測值與實(shí)際值的平均誤差率為2.05%。其中誤差在1%以內(nèi)的占總預(yù)測量的33.5%。誤差在2%以內(nèi)的占65.9%，誤差在10%以上的占0.6%。分析有如下幾個可能產(chǎn)生誤差的原因:
(1)由于回歸模型選擇的影響因子而造成的預(yù)測誤差。影響一個地區(qū)游客量的因素眾多，并不能全部被挑選出來，因此影響因子的選擇是造成誤差的一個最主要原因。
(2)自然突發(fā)狀況。由于自然突發(fā)狀況存在突發(fā)性和偶然性，事先很難準(zhǔn)確預(yù)測，也是一個誤差來源。
(3)除法定假日以外的周末。由于周末多是九寨溝周邊城鎮(zhèn)的游客去旅游，而去九寨溝所花的時間可能較多，因此周末可能不是一周當(dāng)中游客最多的時候，但是周末會對游客量有一定影響。
(4)單位組織旅游�，F(xiàn)在許多單位都會選擇一個相對于自身合適的時間組織員工集體旅游。
(5)地震的殘留影響。
4結(jié)論與展望
國內(nèi)外學(xué)者對游客量預(yù)測問題的研究始于20世紀(jì)中葉，經(jīng)過半個多世紀(jì)的發(fā)展，形成了諸如ARIMA模型、神經(jīng)網(wǎng)絡(luò)模型等重要預(yù)測模型，但是這些模型主要預(yù)測后幾年的游客規(guī)模趨勢，涉及的是年際間的游客量。本文是以日為單位來預(yù)測九寨溝景區(qū)的游客量。一個景區(qū)游客量的大小固然會受到季節(jié)的重要影響，但是隨著社會的發(fā)展，社會因素對游客量的影響越來越大，因而本文以此為依據(jù)設(shè)定與游客量的波動有關(guān)的主要因子。經(jīng)過研究發(fā)現(xiàn):影響九寨溝游客量的因子已不僅僅局限在諸如氣溫、降水、風(fēng)力等季相因子之中，我們應(yīng)該更加重視各種社會因子諸如法定假日、假期等因素對游客量的影響。
此外，由于現(xiàn)實(shí)中社會因子已經(jīng)在很大程度上影響景區(qū)的游客量，因此本文認(rèn)為以日為單位研究游客量的到達(dá)比以年為單位研究游客量會更符合預(yù)測時點(diǎn)的實(shí)際情況，本文的研究結(jié)果也顯示通過模型的預(yù)測和修正能夠得到比較理想的預(yù)測結(jié)果。分析發(fā)現(xiàn)，影響旅游淡旺季游客量的因子可能存在差別，所以在后續(xù)研究中，考慮通過擴(kuò)大樣本容量，在景區(qū)發(fā)放問卷，深入調(diào)查影響因子，以淡旺季分別建立更為完善和成熟的預(yù)測模型
【對于旅游景區(qū)管理流量預(yù)測探討論文】相關(guān)文章：
流量管理·什么是流量管理06-22
對于勞務(wù)收入確認(rèn)與計(jì)量探討論文12-19
煤礦地質(zhì)斷層構(gòu)造預(yù)測的探討論文12-11
空中交通流量的短期預(yù)測07-15
有關(guān)班級管理探討的論文01-04
旅游景區(qū)營銷管理方案范文通用11-01