Ch04旅游需求预测.ppt

神经网络是人工智能研究的一个分支。特别是，神经网络通过构建大脑的低级结构，试图模拟生物神经系统的学习能力和容错能力。一个典型的前馈网络的神经元分布在一个清晰的分层拓扑结构中。输入层根本不是真的神经元，这些单元的作用就是把输入变量的数值导入神经网络；中间层、输出层和输入层的神经元彼此连接起来。定义网络只与输入层的部分单元相连接也可以，但是对于多数应用而言，完全连接的网络要好一些，下图演示了一个典型的完全连接的网络。 3.4 计量经济学预测模型的表现 在多数旅游需求预测模型中，无变化模型经常作为一个预测评价的基准。 在旅游需求预测评价中，各种ECM模型（包括Engle和Granger的两阶段ECM模型、Wickens-Breusch的一阶段ECM模型、Johansen ECM）通常被作为高级计量经济模型的一个代表，而ARIMA和SARIMA模型被作为最流行的时间序列模型的代表。 相比较而言，TVP模型和STSM模型总是表现得好一点。 而VAR模型在不同情况下的表现差别很大。 3.41 预测模型的总体表现 3.42 影响相对预测表现的因素 预测的时间跨度（Time Horizon of Forecasting） 数据的时间频率（Data Frequency） 数据产生过程（Data Generating Processes） 3.43 旅游需求预测的计量模型总结 第一、构建一个适合各种情况的预测模型是不可能的，这个结论与多数文献的观点是一致的。 第二、高级的预测技术（例如ECM模型和TVP模型）倾向于改进简单时间序列分析的预测精度。 第三、为了提高预测的精度，应该对模型的设定更加关注，这一点通常通过各种诊断测试来完成。 第四、20世纪90年代以前的研究主要是运用年度数据来构建模型；考虑到旅游需求季节性的本质，20世纪90年代以后的很多研究努力运用季度和月度数据建模。 第五、20世纪90年代以前的研究主要专注是目的地国家层面的旅游需求研究；近年来也出现了一些关于产品或子区域层面的旅游需求的研究。 3.44 未来的研究方向 第一、过去的研究重点是努力降低预测的误差水平；由于误差方向和拐点预测对于商业决策和政策制定非常重要，未来值得深入研究。 第二、考虑到这样的事实，没有一个模型在各种情况下都可以产生最优的预测结果，为了提高预测的精度，不同方法预测值的组合问题值得考虑。 第三、既然单次事件和其它不确定因素严重影响旅游预测的精度，专家判断可以用来改进定量预测模型的精度。 第四、旅游需求研究需要应用计量经济学的最新成果。 本章小结 第一节旅游需求导论介绍与旅游需求预测与建模相关的基本概念。旅游需求预测模型的类别主要是定性预测方法和定量预测方法。一个目的地的旅游需求影响因素主要有旅游产品的价格、旅游竞争目的地的价格、潜在消费者的收入、消费者的品味、目的地的促销努力，以及其它社会、文化、地理和政治因素。旅游需求函数的主要形式有线性和指数形式。旅游需求弹性是模型估计得到的重要指标，是旅游需求分析的得力工具。 第二节介绍传统旅游需求建模方法。传统旅游需求建模遵循这样的程序：基于需求理论形成假设；决定模型的函数形式；收集数据；估计模型；检验假设；生成预测值或评估政策。依托的理论主要是经典的需求理论；主要采用指数、线性形式设定需求函数，分析的数据主要有三类：时间序列数据、截面数据和混合数据；模型估计主要采用普通最小二乘法进行。 第三节现代计量经济学模型主要是吸纳了现代计量经济学的发展成果，如协整理论（Cointegration）、误差修正模型（ECM）、向量自回归模型（VAR）、时变参数模型（TVP）和面板数据方法（Panel Data Approaches）来突破了传统方法的假设限制，针对性的解决异方差、残差自相关和多重共线性等问题。主要介绍了两类模型，其一、单一方程模型，包括固定参数的单一方程模型和加入时变参数的单一方程模型；其二、系统方程模型，包括VAR 模型、线性的AIDS模型、神经网络模型。此外也比较了这些现代计量经济模型的预测表现，讨论了预测表现差异的可能原因，分析了未来的研究方向。 复习题 旅游需求预测为什么非常重要？ 常见的旅游需求预测方法有哪些？各有什么优点和缺点？ 旅游需求预测中经常使用的变量有哪些？ 旅游需求预测中要面临数据的哪些问题？ 旅游需求建模传统方法中t检验、F检验、确定系数、修正的确定系数的作用是什么？ 评价各种现代计量经济模型预测表现的差异？ 导致各种现代计量经济模型预测表现差异的可能原因有哪些？ 旅游需求预测未来的研究领域有哪些？ 访问中国国家旅游局的网站，整理出最近24个月的入境旅游者数据，尝试运用时间序列预测方法中的移动平均法预