基于BernsteinCopula函数中国入境旅游需求预测.docVIP

基于BernsteinCopula函数中国入境旅游需求预测 　　[摘 要]旅游需求的序列相关结构是旅游学研究中长期被忽略的一个问题。在旅游预测建模中，往往假定线性的或者是某种特定的非线性序列相关结构。这种假定虽然为模型构建带来一定的便捷性，但是很可能会影响预测的精确性。该研究引入Bernstein Copula函数刻画中国入境旅游需求的序列相关结构，以构建预测模型进行实证分析。实证结果表明，Bernstein Copula模型在旅游预测中具有其优越性。研究的结果为旅游需求建模提供了一个新的思考方向。 　　[关键词]序列相关结构；Bernstein Copula函数；中国入境旅游；旅游需求预测 　　[中图分类号]F59 　　[文献标识码]A 　　[文章编号]1002-5006（2017）11-0041-08 　　Doi： 10.3969/j.issn.1002-5006.2017.11.010 　　引言 　　旅游需求预测对于政府和旅游相关企业的战略规划和决策制定来说有着极为重要的作用[1]，因而长期受到旅游学界的关注。许多学者都致力于旅游需求预测模型的研究，以期提高旅游预测的精确度。然而，对于不同的建模数据频率、预测期长度、客源地和目的地来说，旅游需求预测模型也会表现出不同的预测能力[2-3]。因此，迄今为止，旅游需求预测依然是旅游研究中的热点和难点。 　　国内外学者从20世纪60年代就开始对旅游需求预测进行研究，并取得众多成果[4]。Peng等的综述结果显示，时间序列模型从80年代开始成为旅游需求建模的主流[5]。这些时间序列模型主要是单变量模型，依赖旅游需求的序列相关关系，即滞后变量与当期变量之间的相关性，来进行预测。其中，Box和Jenkins提出的自回归移动平均（ARMA）模型[6]，运用最为广泛，其各种衍生模型也被应用到旅游需求预测中，如考虑季节性因素的SARIMA模型[6-10]、分数整合的ARFIMA模型[11]、奇异谱分析模型[12]等。ARMA及其衍生模型因在应用中具有易操作性和易解读性等特征而受到推崇，但是在理论上，这些模型具有两个主要缺陷。首先，这些模型的运用需要假设旅游需求服从特定的累积分布形式（如正态分布）；其次，这些模型通常假设旅游需求的当期变量和滞后期变量之间是线性关系。 　　线性模型虽然简单且容易解释，但线性关系只是众多相关关系的一种。Yu等通过分析一个旅游需求的大数据集，发现旅游需求呈现4种数据特征：稳定的线性趋势，非线性趋势，波浪形趋势和结构骤变趋势；这些数据特征会影响旅游需求预测的准确性[13]。这些数据特征的后3种都属于广义上的非线性特征，因此单纯的使用线性结构来描述旅游需求的序列相关关系往往是不准确的。为了解决线性结构的局限性，神经网络被引入旅游预测中，但是神经网络存在网络结构难以确定及过度拟合等问题[14]，在旅游预测中不易推广。其他一些非线性模型，如正弦波回归和稀疏高斯回归模型等[15-16]，也是事先为旅游需求的序列相关关系假定了某种特定的结构，而不是寻找序列相关结构的最优表达，因此不具有普适性。 　　中国旅游资源丰富，是世界上最受欢迎的旅游热点地区之一。近年来，随着中国入境旅游不断升温，对中国入境旅游需求预测的研究开始受到国际学术领域的重视。Huang从修正旅游需求分布形式的角度出发，提出基于Skew-t分布的ARMA模型，并与传统的基于正态分布的ARMA模型进行比较，从而检验修正分布形式对中国入境旅游需求预测的重要性[17]。Yang等则从数据源入手，探讨搜索引擎数据对中国入境旅游需求预测的贡献[18]。国内对入境旅游需求预测的研究众多，涉及的预测模型包括各种线性的时间序列模型[19-20]，也包括神经网络等非线性的预测方法等[21-22]。这些研究从不同的角度提出优化入境旅游需求预测模型的可行方案，但是仍未涉及对序列相关结构的探讨。 　　据此，本研究从寻找相关结构最优表达的思路出发，利用Bernstein Copula函数描绘中国入境旅游需求的序列相关结构，并在此基础上检验序列相关结构的准确刻画对入境旅游需求预测的影响，以期为旅游预测建模开辟一个新的角度。 　　1 序列相关结构与Copula 函数 　　1.1 序列相关结构 　　正如引言所述，广泛运用于旅游需求预测的时间序列模型主要依赖于旅游需求的序列相关关系，因此，旅游需求的当期变量和滞后变量之间的相关性分析对于旅游需求预测建模来说就显得尤为重要。然而，现有研究通常只关注相关程度的分析，而将相关模式限制为线性结构或者某种特定的非线性结构，忽略了对序列相关结构的最优表达进行探讨。 　　对于两个随机变量来说，线性相关系数常被用来分析它们之间的相关性；然而事实上，只有当联合分布服从椭圆分布（如高斯