我国国内旅游业复苏趋势预测

摘 要：本文利用时间序列SARIMA和Holt-Winters模型，对我国2011—2019年国内旅游总人数季度数据进行模型拟合，从而预测2020—2026年旅游总人数。结果表明，随着经济环境的改善和政策支持，旅游市场逐渐复苏，国内旅游总人数呈现明显的季节性波动。本文对中国旅游业的复苏进程进行定量分析，揭示了当前旅游业市场的复苏趋势与面临的挑战，为优化旅游振兴政策、调整市场策略及资源配置提供数据支持，并进行合理优化，旨在促进国内旅游业实现可持续发展。

关键词：国内旅游总人数；SARIMA模型；Holt-Winters模型；旅游业；旅游经济

中图分类号：F592 文献标识码：A 文章编号：2096-0298（2024）12（a）--05

1 引言

旅游业作为第三产业的重要组成部分，不仅是经济发展的强大引擎，还在促进社会文化交流、改善民生、创造就业机会等方面发挥着不可替代的作用。旅游行业的扩展能够带动多个相关产业的协同发展，如交通运输、餐饮住宿、零售业等，从而构建起一个复杂而富有弹性的经济链条。根据世界旅游组织（UNWTO）的统计数据，2019年全球旅游业的直接经济贡献已达到8.9万亿美元，占全球GDP的10.4%。我国旅游业的发展一直是国家经济的重要驱动力。2019年，我国旅游业总收入达6.63万亿元，同比增长11%，占GDP的比重达11.05%。旅游业的高速发展不仅推动了区域经济的繁荣，还为社会提供了超2800万个就业机会。

近年来，我国政府高度重视旅游业的发展，并推出了一系列政策措施促进旅游市场的升级与转型。2021年12月，国家发布的《“十四五”旅游业发展规划》强调指出旅游业是被视为推动经济增长的重要力量，并提出一系列促进旅游业发展的政策措施，包括加强旅游基础设施建设、提升旅游服务质量、推动旅游产业与其他产业的融合发展等。这些政策的实施将为旅游业的发展提供有力保障，推动旅游业实现更高质量、更有效率、更加公平、更可持续、更为安全的发展。2024年5月17日，全国旅游发展大会的召开进一步强调了旅游业从小到大、由弱到强的发展历程，已成为具有时代特征的战略性支柱产业，同时也是关乎民生和幸福感的重要产业。另外，国家大力推动“全域旅游”发展战略，鼓励各地提升旅游产品和服务质量，增强游客体验。同时，智慧旅游的推广和景区的数字化建设，使旅游业的运营效率和服务质量得到了显著提高。为进一步激发消费潜力，多个地方政府还通过发放旅游消费券等措施促进旅游消费，有效提振了公众的旅游信心。

随着旅游市场需求的增加，旅游人数成为衡量旅游业发展状况的核心指标。在旅游人数预测方面，科学的分析和模型的构建对于了解市场波动、掌握未来趋势至关重要。政府可以通过旅游人数的预测结果，预判市场的恢复速度，合理安排基础设施建设及配套服务。对于企业而言，旅游人数的变化趋势会影响市场规划和经营策略，精准的预测能够帮助企业根据市场需求灵活调整运营策略，提高市场响应能力。

过去，旅游人数预测主要依赖于传统统计方法，然而，如今这些方法已难以应对旅游数据中存在的复杂季节性波动和长期趋势变化。SARIMA（季节性自回归积分滑动平均模型）和Holt-Winters模型，因其能够捕捉数据中的季节性模式和趋势波动，成为预测旅游人数的有效工具。这些模型能够充分利用历史数据，通过对长期趋势和季节性波动的分析，提供更加精准的预测结果。本文采用SARIMA和Holt-Winters模型，对中国2011—2019年的国内旅游总人数季度数据进行了模型拟合，并预测2020—2026年旅游总人数。通过对历史数据的分析，能够了解旅游市场的季节性波动特征和长期发展趋势，同时根据预测结果，对未来几年旅游业的发展提供了科学依据，在政府部门制定旅游经济政策时提供量化参考，也为旅游企业在市场规划、资源调配和经营决策方面提供数据支持。

2 文献综述

我国关于旅游方面的预测研究已经有了很长时间，随着大数据时代的到来，旅游需求预测对于旅游业的可持续发展、资源优化配置以及政策制定具有重要意义。对旅游人数的预测能够更加鲜明的观测到旅游的趋势变化，地方城市也能根据变化制定相应的经济政策和发展战略。康俊锋等（2020）、宋海岩等（2022）和武静等（2023）都表示预测旅游人数和趋势能给为景区和政府等部门提供旅游管理决策和旅游资源调配依据，以及更加科学全面的信息和数据支撑[1-3]。孙琼等（2022）和杨京津（2023）表明挖掘旅游消费需求预测数据并构建模型提升预测精度，跟踪旅游消费需求水平变化具有重要意义[4-5]。此外，程浩（2021）和刘炯（2023）表示旅游业是中国的新型产业，旅游业不仅带动相关产业的蓬勃发展，还可以产生巨大的经济效益，对中国的经济发展起到了巨大的推进作用[6-7]。

很多学者通过构建ARMA、ARIMA等模型对所研究的内容进行预测。例如，李军言等（2019）通过扩展ARIMA模型的应用范围，丰富了旅游需求分析的理论基础，并提供了一种基于ARIMA模型的旅游需求研究方法，对中国入境旅游人数进行更为精确的预测[8]。袁路妍等（2020）选取上海市的月度入境过夜游客数据作为样本，基于AIC、BIC和HQIC最小化准则，对参数进行估计并确定了模型的最优阶数，成功构建了一个高效的月度入境过夜人次预测模型[9]。此外，张翊（2023）运用ARIMA（1，1，0）模型对山东省入境旅游人数进行了预测，并通过ADF检验确保了数据的稳定性。研究结果显示，该模型在预测精度上表现出色，为政府制定相关政策和规划提供了有力的数据支持[10]。同时，冯瑶（2023）在其研究中应用SARIMA模型对九寨沟的游客量进行了预测。通过平稳性检验和参数估计后，建立了一个有效的预测模型，为旅游管理部门提供了决策支持[11]。这说明时间序列分析至今仍然对旅游人数有着很好的预测作用。

通过对旅游人数预测的相关文献整理，可以看出旅游趋势的预测可以为政府和企业提供重要的经济指标，帮助其评估旅游业对当地经济的贡献，并制定相应的经济政策和发展战略。

3 旅游人数预测

3.1 数据来源与处理

数据来源包括三部分，分别是《中国文化文物和旅游统计年鉴》《中国旅游统计年鉴》以及中华人民共和国文化和旅游部（https：//zwgk.mct.gov.cn/zfxxgkml/）所提供的数据。收集了从2011年第一季度到2024年第二季度的国内游客总人数（以亿人为单位）数据，将2011年第一季度至2019年第四季度的数据作为训练集进行分析。绘制时序图后，观察到国内旅游总人数表现出整体上升的趋势，且这种上升趋势近似于指数型增长。为避免可能出现的异方差性问题，本文对原始数据进行了对数处理。

经过对数变换后，时序图显示序列的上升趋势得到了一定的压缩，从而缩小了变量尺度，减少了原始数据中的差异。然而，尽管取对数处理后的数据在尺度上得到了调整，序列的周期性特征依然十分明显，且数据仍显示出非平稳性。这表明，尽管对数处理有助于缓解异方差性的问题，但序列的基本趋势和波动性特征仍需进一步分析和处理，以确保对未来趋势的准确预测。

通过对指标数据进行对数处理后，发现数据存在明显的季节效应，这表明数据中的趋势和季节性变化对分析结果产生了显著影响。因此，对指标数据进行一阶四步差分。这一处理方法旨在消除数据中的趋势性和周期性成分，从而使数据更符合平稳序列的要求。在完成一阶四步差分后，观察到该方法有效地提取了数据序列中的递增趋势和周期性趋势，数据现在基本围绕均值进行波动。数据序列不再显现出明显的非平稳特征，即经过一阶四步差分后，数据的均值和方差变得更为稳定，使得后续的时间序列分析和建模工作更加可靠和有效。

为了更准确地判断经过一阶四步差分后的序列是否达到了平稳状态，进一步对序列进行ADF平稳性检验和纯随机性检验。检验结果显示，经过对数处理和一阶四步差分后的数据序列的p值均小于显著性水平0.05，说明序列平稳且非白噪声。

3.2 模型的分析与预测

3.2.1 SARIMA模型

本文进一步分析季节性特征时，对差分后的序列进行自相关性和偏自相关性分析，首先绘制了自相关图和偏自相关图。自相关图表现出一阶截尾的特性，这表明序列的自相关性在一阶之后迅速衰减。相对地，偏自相关图呈现出拖尾的特性，说明序列的偏自相关性在多个滞后期内都具有显著性。根据自相关图和偏自相关图，可以考虑设置自回归（AR）部分的阶数p为1或3，以及滑动平均（MA）部分的阶数q为1或4，以有效提取差分后序列的季节自相关信息。季节性偏自相关函数（PACF）系数显示拖尾现象，而季节性自相关函数（ACF）系数则表现为一阶截尾。故考虑季节性部分的自回归（P）阶数应取0，而季节性滑动平均（Q）阶数应取1。

根据差分后自相关图和偏自相关图的性质，构建备选模型，并根据信息最小原则，选取AIC值最小、似然函数值最大的模型作为最优模型。

通过对模型进行拟合并得出AIC值和似然函数值，综合比较得出最好的模型为ARIMA（1，1，1）×（0，1，1）4，AIC为-5.60，似然函数值为5.80。根据参数估计结果可以得到拟合方程：

其中，logxt是对国内旅游总人数原始数据进行对数处理后的变量名称，B是后退算子，εt是误差项。对拟合后的模型进行残差序列的白噪声检验时，发现延迟6阶以及延迟12阶的检验p值均显著高于0.05的显著性水平。这表明，模型已经较好地拟合了数据并充分提取了信息。随后，对模型参数的显著性进行检验时，所有延迟阶数下的p值均远高于0.05的显著性水平，进一步支持了残差序列是白噪声的结论。此外，从残差序列的正态性检验中，QQ图显示残差大致符合正态分布，表明该模型能够有效捕捉和解释原始数据中的重要信息，模型的整体拟合效果良好（限于篇幅未列出模型残差序列的正态性检验图）。

3.2.2 Holt-Winters三参数指数平滑模型

为了更准确地对时间序列数据进行拟合，研究引入指数平滑模型与SARIMA模型进行对比分析。考虑到原始时间序列具有显著的非平稳性和季节性特征，因此选用Holt-Winters三参数指数平滑模型作为拟合的基础。Holt-Winters模型的三参数包括水平、趋势和季节性分量，能够有效捕捉数据中的长期趋势和季节波动。模型通过对时间序列的加权平均，平滑处理了原始数据的波动，从而对未来值的预测提供了更为稳定的基础。通过对两种模型的拟合效果进行评估，可以更全面地了解数据的结构，并选择最适合的模型进行预测和分析。

根据三参数指数平滑模型进行预测得到2020年第一季度到2026年第四季度的预测数据。加法模型中该序列向前任意期的预测值为：xt+k=6.0496+0.2152k+Sj，乘法模型中该序列向前任意k期的预测值为：xt+k=（6.0763+0.2268k）×Sj，其中，， j为t+k期对应的季节。

3.2.3 模型比较

根据2011—2019年国内旅游总人数的季度数据，分别通过三个模型预测2022—2026年第四季度的国内旅游总人数，同2020—2024年真实的国内旅游总人数进行比较，计算均方根误差RMSE，如表2所示。通过使用SARIMA模型、Holt-Winters三指数平滑模型的加法模型和乘法模型进行拟合和预测，发现SARIMA模型的拟合效果最好，均方根误差最小，所以最终选择该模型对未来三年的国内旅游总人数进行预测。

3.3 SARIMA模型预测

图2 国内旅游总人数真实值与预测值比较

通过图2的虚线预测可以看出，根据2011—2019年的历史数据，预测显示2020年之后国内旅游人数应呈现持续上升的趋势，2026年第一季度将达到25亿人次。然而，实际情况如实线所示，从2020年开始，国内旅游总人数却经历了急剧下降，在2020年第一季度和2022年第四季度表现尤为明显，旅游业几乎陷入了停滞，旅游业遭受重创，客流量骤减，企业面临严重困境。直至2023年，实际国内旅游总人数开始逐渐回升，并展现出季节性的变化趋势，但总体上仍未能恢复到2019年的水平。这种现象表明，旅游业正在经历复苏过程，虽然国内旅游总人数逐步上升，但短期内很难恢复到疫情前的繁荣状态。这种恢复的趋势表明，行业需要时间和进一步的努力来克服所受到的深远影响，实现全面复苏。

4 结语

新冠疫情的爆发使我国旅游业受到了前所未有的冲击，导致旅游业面临严峻的挑战，出行人数的大幅减少导致大量订单被迫取消或延期，这直接影响了旅游企业的收入，特别是中小型企业，通常缺乏足够的资金储备来应对这种突发状况，面临现金流断裂的风险。景区、酒店、餐饮和旅行社等行业一并受到重创，旅游总收入也出现显著下滑，影响了旅游企业的盈利能力和生存状态。同时，消费者对旅游安全产生担忧，出游意愿降低，并改变了消费者的出游习惯和偏好，可能更倾向于选择短途旅行、自驾游等相对安全的旅游方式。2024年，随着经济环境的改善和政策支持，旅游市场逐渐复苏，推动了区域经济的发展。

此时，旅游业的创新就显得尤为重要。企业可以探索新的旅游产品和服务，如健康旅游、生态旅游等，以满足日益多样化的消费者需求。通过利用先进技术，如大数据和人工智能可以提高运营效率、优化客户体验，探索新的商业模式和收入来源。随着环境保护意识的提高，绿色旅游和可持续发展成为行业的重要方向。旅游企业可以通过减少资源消耗、提高环境保护标准和推广绿色产品来增强自身的市场竞争力和社会责任感。

旅游业需要加强线上服务能力，如在线预订、虚拟旅游体验等，以适应消费者对无接触服务的需求。加速旅游业的结构调整，推动行业向更加可持续和高质量的方向发展，这包括提升服务质量、发展绿色旅游和加强旅游产品的创新。旅游业需要创新和转型，探索新的商业模式和服务方式，包括开发新的旅游产品和服务，如健康旅游、生态旅游等，以及利用技术提高运营效率和客户体验。

参考文献

康俊锋，郭星宇，方雷.基于百度指数时空分布的旅游趋势预测研究： 以上海市为例[J].西南师范大学学报（自然科学版），2020， 45（10）：72-81.

宋海岩，吴晨光.新一轮科技革命与旅游需求分析和预测创新： 理论探讨与实践前沿[J].旅游学刊，2022，37（10）：1-3.

武静，赵二龙，孙少龙，等.多源异构数据驱动的后疫情时期旅游需求预测方法研究[J].计量经济学报，2023，3（2）：350-366.

孙琼，江晶晶，李雪岩，等.基于后疫情时代的旅游需求预测研究[J].中国软科学，2022（S1）：217-226.

杨京津.基于疫情影响构建的旅游需求预测模型[J].工业控制计算机，2023，36（7）：87-88.

程浩.山东省旅游客源市场分析与预测研究[D].济南： 山东财经大学，2021.

刘炯.基于多元线性回归的国内旅游收入预测分析： 以安徽省为例[J].陇东学院学报，2023，34（2）：5-10.

李军言，李越.我国入境旅游人数预测和分析： 基于ARIMA乘积季节模型[J].内蒙古统计，2019（5）：26-30.

袁路妍，王占宏.基于ARIMA的入境旅游月度过夜人次预测[J].微型电脑应用，2020，36（4）：7-9.

张翊.基于ARIMA模型的山东省入境旅游人数预测研究[J].西部旅游，2023（7）：10-12.

冯瑶.基于网络搜索指数的旅游需求预测研究[D].长春： 吉林财经大学，2023.

张婷婷，王沫然，魏得胜，等.季节调整FWA-SVR模型及其在旅游经济预测中的应用[J].系统科学与数学，2021，41（6）：1572-1584.

高孝成，范英兵，肖钧莹.基于支持向量机与时间序列组合模型的我国旅游市场预测研究[J].黑河学院学报，2021，12（4）：181-183.