游客变化的多尺度波动特征及作用过程分析.docVIP

游客变化的多尺度波动特征及作用过程分析 　　[摘要]本文以江苏盐城麋鹿生态旅游区为例，采用TRAMO／SEATS模型和小波分析方法进行了游客序列的季节调整和多尺度分解。表明景区游客增长以2003年为界分为两段，后期游客数量明显上升但增速变缓，短期内的异常变化主要受控于景区政策调整及经营策略变化。基于分解组分建立的CART模型揭示了多尺度作用过程，在景区发展初期，游客数量的小幅波动对趋势影响明显，而相对稳定的客源市场形成后，游客变动对趋势影响变小，更多体现于不同尺度波动的耦合作用。 　　[关键词]游客变动；季节调整；盐城麋鹿生态旅游区 　　[中图分类号]F59 　　[文献标识码]A 　　[文章编号]1002―5006(2009)07―0027一07 　　 　　 　　旅游流是游客及其相关和伴生要素在空间区域内的迁移现象，其形成不仅与旅游资源条件有关，而且与社会经济发展水平、文化和政治联系及空间距离密切相关。对旅游流变化规律的深入分析，有助于揭示旅游系统内部各要素间相互作用的关系。本文主要研究狭义的旅游流――游客流。景区游客人数及其变化规律是旅游区的开发、经营、管理和效益分析的起点，也是制定旅游业发展规划、确定客源市场、制定对外宣传策略的重要依据。旅游流在时间变化上具有多尺度性，现有的研究主要集中于客流变化特征和预测等方面。游客数量的变化受景点类型、区位、生命周期等因素影响，特别是受季节要素变化及异常事件影响，游客数量往往表现出明显的异常变化。目前基于历史序列的分析往往忽略了隐含在数据中多尺度变化规律及异常处理，这导致了对游客变化内在规律认识上的不足以及预测上的困难。本文基于盐城麋鹿生态旅游区1998―2005年间游客月际变化数据，综合运用TRAMO／SEATS季节调整方法和小波分析以及CART方法对游客序列进行分析，探讨了旅游区游客序列的变化特征及其作用过程。 　　 　　1　研究思路与研究方法 　　 　　1.1　研究思路 　　游客时间序列包含了一些基本的、潜在的模式和随机波动，受旅游区的自然条件、资源条件、区位和社会经济条件等确定性因素的影响，游客数量一般表现为整体趋势性和周期性变化。随机性因素则反映了政策、经营策略以及特殊事件(如“非典”)等的影响，其规律性不甚明显，但其对旅游区的影响不可忽略。对游客观测序列的深入剖析，一是构成分析，即对序列中的长期趋势、季节变化、循环变化和不规则变化组分进行分解，以获得不同尺度的作用模式；二是序列分析，以理解旅游区游客波动的内在规律，进而开展预测研究。 　　 　　1.2　研究方法 　　1.2.1　TRAMO／SEATS方法 　　TRAMo／SEATS方法是以ARIMA模型为基础，使用信号提取技术进行季节性调整时间序列的方法。其中TRAMO(Time series Regression withARLMA noise，Missing observation，and Outliers)为具有ARIMA噪声、缺失值和异常值的时间序列回归法，而SEATS(Signal Extraction in ARIMA TimeSeries)为ARIMA时间序列的信号提取法。这两个程序往往联合使用，TRAMO用于数据的预处理，而SEATS将序列分解出趋势、周期、季节以及不规则等因素。其优势在于它可以设定回归变量，引入自己设定的回归因子，从而解决一些特定的季节因素(如中国日期不确定的春节或放长假等)的影响，是应用最广泛的时间序列调整方法之一。 　　 　　 　　1.2.2　小波分析方法 　　小波分析(Wavelet Analysis)是近年来发展的时间序列分析的新方法，可对信号进行时频域再现和多尺度多分辨率分析。传统的傅立叶变换只能获得信号整体的、单层次的和单分辨率的认识。小波变换的基本思想与傅立叶变换类似，但它既可以分析信号的概貌，又可分析其细节。其优势在于它能够揭示信号的层次特征及尺度行为，即可在预先定义的尺度上对原始信号进行多尺度滤波。小波变换可以有效地提取非线性和非平稳时间序列在不同尺度上的变动规律和异常特征，已被广泛运用于突变检测、特征提取、信号去噪和信号压缩等多个领域。 　　1.2.3　分类回归树 　　分类回归树(Classification and Regression Tree，CART)是以递推分解原理为基础的选择变量和变量值的强有力的非参数技术，可自动探测出高度复杂资料的潜在结构、重要模式和作用关系，并可用来构造精确和可靠的预测模型。分类回归树算法分为树生长和树剪枝两个部分，从包括所有训练数据的根节点开始，通过穷尽搜索寻找最小化分类误差的分割点，产生分割点后，根节点相应地被分为两个子节点，继续对两个子节点实施同样的划分过程，直至某一个子节点的划分误差减