基于EEMD我国入境旅游客源市场多尺度分析及预测.docVIP

基于EEMD我国入境旅游客源市场多尺度分析及预测 　　中图分类号：F592.3 文献标识码：A 　　内容摘要：本文运用集合经验模态分解方法（EEMD）对我国近十年来入境旅游客源的时间多尺度特征及趋势进行了研究。结果表明：第一，入境旅游客源总量及港澳台同胞客源以3个月季节性波动为主，外国人客源以高、低频周期波动相间发生为主。第二，以周期波动为主且无明显趋势变化的客源市场包括：中国香港、泰国、印尼、美国、英国和德国以3个月周期为主；中国澳门以3、78个月高、低频周期为主；新加坡、马来西亚分别以4、5个月的高频周期为主。第三，具有显著趋势变化的客源市场包括：中国台湾、蒙古、菲律宾、印度、加拿大以显著上升为主，辅以周期性波动相间发生；日本、俄罗斯以显著下降为主，辅以低频周期性波动；法国、澳大利亚以高、低频周期相间波动为主，趋势变化为辅，其中法国为下降态势，澳大利亚为上升态势。文章对我国制定入境旅游相关政策具有理论与实践应用价值。 　　关键词：入境旅游 客源 EEMD 多尺度 趋势 　　引言 　　自2009年国务院强调将旅游业培育成国民经济的战略性支柱产业开始，我国的旅游业就进入了快速、细分、深入发展的状态；《十三五》规划在构建产业新体系中再次明确指出要加快发展现代服务业，以及大力发展旅游业，成为了国家在新一轮产业发展和培育中的指导思想。在此背景下，各级政府部门、旅游地以及专家、学者均为我国旅游业发展成为战略性支柱产业而努力。入境旅游作为我国旅游业重要的细分市场之一，承担着赚取外汇收入、推动中外文化交流并提高我国国家影响力的重要职能，其快速发展对我国旅游业成为支柱性产业并提升我国的大国地位具有重要的影响。因此，深入研究我国入境旅游客源市场，了解入境旅游客源市场的时间多尺度变化特征及其本质规律，对制定我国入境旅游的相关发展战略具有重要的理论与实践价值。 　　目前，已有较多关于我国及各省入境旅游客源市场的研究成果，大多利用年度数据进行分析，时间序列样本量小。旅游业本身属于高敏感行业，年度数据的研究方式直接忽略了旅游行业年内的季节性或异常性特征，从而在客源市场规律及预测等研究中易造成精度或可信度不高的问题。经验模态分解（empirical mode decomposition，EMD）方法由于能够准确迅速地将信号不同频率的波动逐级分解开来，获得具有周期性波动的分量及未来事物变化的趋势量，被认为是提取大容量数据序列趋势的最好方法，已成功应用于气候变化、资源安全等众多领域。旅游行业也利用EMD对长时间序列波动问题进行了研究，并弥补了传统方法不能对旅游业数据进行多时间尺度的波动周期提取的缺陷，但总体来说，成果并不丰富。而在对EMD方法本身的研究与改进中，学者们引入了一种利用噪声辅助的集合经验模态分解（ensemble empirical mode decomposition，EEMD）方法，该方法继承了EMD的自适性，又引入了白噪声扰动并进行集合平均，从而避免了EMD分析中尺度混合问题，使得最终分解的IMFs保持了物理上的唯一性。鉴于此，本文利用EEMD方法，以近十年来我国入境旅游客源市场的月数据为分析对象，探讨我国入境旅游客源市场的时间多尺度变化特征及未来趋势问题，以期准确把握我国入境旅游客源市场的未来发展方向。 　　数据与方法说明 　　（一）数据来源 　　为保证资料长度，并反映我国当前入境旅游发展的现实状况，本文选择2006年5月至2016年2月的月度数据，包括入境旅游人数及构成（即港、澳、台、外国人），以及我国16个主要客源国入境旅游人数，时间序列长度各为118个月。所有入境客源数据（单位：万人）均从国家旅游局网站（http：//）收集并整理。 　　（二）集合经验模态分解（EEMD）方法 　　EEMD是在EMD基础上发展起来的，其本质是对一个信号进行平稳化处理，根据其瞬时特征将时间序列分解成?l率从高到低的若干个本征模态函数（IMFs）和一个残余信号（res）。这样不同尺度数据的物理意义得以保留，并很好地被提取和表达，而最低频率的分量（res）则代表原始信号的总趋势或均值。 　　具体方法是：找出原始数据序列X（t）所有的极大值点，用三次样条函数拟合，形成原数据序列的上包络线；相应地找出X（t）所有的极小值点，同样用三次样条函数拟合，形成原数据序列的下包络线；上下包络线的均值为原数据序列的平均包络线m1（t）；将原始数据序列X（t）减去平均包络，得到一个去掉低频的新数据序列h1（t）。 　　X1（t）-m1（t）=h1（t） （1） 　　通常情况下，一次处理后h1（t）仍然不是一个平稳数据序列。因此，将其重复上述处理过程k次，直到所有得到的平均包络趋于零为止。 　　h（k-1）（t）-mk（t）=hlk（t） （