残差自回归模型在旅游经济当中应用.docVIP

残差自回归模型在旅游经济当中应用 　　摘 要：通过分析旅游经济重要指标的数据特点，运用残差自回归方法对旅游经济的重要指标做了短期的预测，预测结果较为理想，然后对五个重要的旅游经济指标做了预测分析，并提出了合理的对策和建议。 　　关键词：旅游经济；短期预测；残差自回归 　　中图分类号：F2 文献标识码：Adoi：10.19311/j.cnki.1672-3198.2018.06.009 　　1 引言 　　随着我国经济的发展，人民生活水平的日益提高，旅游业成了我国目前发展较快的一个热门行业。根据最新的数据显示，2016年，入境游客达到了13850万人次，同比上涨了3.5%。国内游客达到了444000万人次，同比上涨了11.1%。两项衡量国内和国际旅游市场热度的指标均再创新高。旅游业对当地的经济发展，人口就业均有积极的带动作用，因此研究旅游经济具有积极意义。但是由于我国经济发展的特殊性，旅游指标是近几年才被中央和地方政府重视起来，指标的统计时间短，一般二十年左右，且统计口径不一。这给研究我国旅游经济问题，预测旅游经济的发展造成了一定的困难。针对以上问题，不少学者提出了解决方案，如灰度预测、支持向量机、BP神经网络等方法。本文通过另外一个角度，运用时间序列分析中的残差自回归模型来解决该问题。 　　2 模型方法介绍 　　残差自回归是一种分析非平稳时间序列的研究方法。我们研究的旅游经济数据大多数是具有趋势项，非平稳的时间序列模型。残差自回归模型的主要思想是认为时间序列模型主要由以下几个部分构成： 　　其中xt为我们需要预测的时间序列，Tt为趋势效应拟合，St为季节效应拟合，εt为残差。建模过程是这样的，首先拟合xt的趋势部分和季节部分，考虑到提取信息不够充分，然后检验残差序列{εt}的自相关性，如果自相关性不显著，确定模型提取信息充分，可以停止分析，如果自相关性显著，说明模型对信息提取不够充分，这时可以考虑对残差序列进行自回归模型拟合。拟合模型如下： 　　其中at为拟合以后的残差，如果信息提取充分，at为白噪声序列，没有自相关性。模型建立结束，我们得到的模型如下： 　　3 实证研究部分 　　3.1 数据来源 　　数据来自历年《中国旅游年鉴》，统计指标为国内旅游总花费，该指标是衡量国内旅游市场情况的一个极其重要的指标。是指我国居民在国内旅游的总支出。但是我国统计该指标只从1994年开始，对于很多学者研究预测这部分的内容造成了一定困难。本文选取1994年――2015年的数据作为原始数据拟合残差自回归模型，刚刚公布的2016年数据作为预测值，检验模型拟合效果。建模软件为SAS 9.3，数据如表1。 　　根据数据绘制出趋势图，图形的横坐标为时间，纵坐标为国内旅游总花费，设为x，图形如图1。 　　通过模型，可以看出该序列x具有明显的趋势，而且是非平稳的时间序列。下面我们来拟合残差自回归模型。 　　3.2 建模过程 　　通过图1可以看出，数列x只具有趋势部分，没有季节趋势部分。只需要对趋势拟合即可。趋势部分并非一条直线，而是斜率逐渐加大的凹曲线，因此，本文尝试的t、t2和t3模型拟合。经过模型拟合和筛选，本文确定用无趋势项的t3模型拟合，拟合结果如表2。 　　该表，可以发现R较高，模型的整体拟合度较好，但是DW检验值为0.3642，说明残差存在自相关，信息未提取充分。可以用残差自回归模型拟合。 　　趋势部分已经拟合较为充分，下面来判定残差部分，如图2所示，残差的偏自相关图具有截尾特征，可以确定模型为： 　　由于残差序列和序列回归值之间具有相关性，因此需要将它们联合求解参数。本文通过最大似然估计法，估计趋势参数和残差序列参数，同时通过逐步回归法筛选残差序列的自相关变量。结果如表3。 　　可以看到整体的R方达到了99.57%，模型的拟合度较高，DW检验值为1.5596，查表可知，残差序列已经不具有相关性了。参数的估计值及相应的t检验结果如表4所示，其中设t3在SAS的变量名为t2。 　　通过表4，可以发现t和AR1的P值均小于0.001，参数通?^检验。因此，可以得到模型为： 　　通过该模型绘制拟合时序图，结果为图2。 　　可以看出，模型的拟合效果还是不错的。通过模型，预测的2016年的数据为39019.10634，与2016年的实际值差了0.9%，误差相对较小。模型拟合效果优异。 　　3.3 旅游经济整体分析 　　残差自回归模型能够处理的是小样本数据，而旅游数据大多数符合这个条件，因此，可以对多项旅游经济的重要指标进行预测分析，数据国家旅游局发布的数据和各年的旅游统计年鉴。表5为预测结果。 　　这个预测结果表明，到2017年，国内旅游市场、入境游市场和出境游市场仍然处于持续扩张中。其中国内旅游仍然是