摘要：本文運用在經(jīng)濟金融領(lǐng)域使用廣泛的方法―TRAMO/SEATS方法對北京入境旅游人數(shù)開展短期預(yù)測研究。作為歐盟各國統(tǒng)計局主要統(tǒng)計方法，TRAMO/SEATS模型由于能有效提取時間序列數(shù)據(jù)中的信息，不僅預(yù)測精度高，而且穩(wěn)定，能夠最大程度地反映旅游業(yè)季節(jié)性波動的特點。實證分析表明，TRAMO/SEATS模型在北京入境旅游人次的短期預(yù)測方面預(yù)測能力極佳，能夠為北京市入境旅游的短期經(jīng)營策略提供良好的預(yù)測數(shù)據(jù)。

　　關(guān)鍵詞：旅游論文投稿,入境旅游人數(shù),中短期預(yù)測,TRAMO/SEATS模型

　　1.研究文獻與方法簡述

　　傳統(tǒng)的的時間序列的外推技術(shù)雖然簡便易行，也能達到較好的精度要求，但一般來說模型缺少理論基礎(chǔ)。為此，基于隨機理論的各種隨機時間序列模型被廣泛應(yīng)用經(jīng)濟預(yù)測之中，其中以ARMA類為主流。傳統(tǒng)的ARMA模型也稱為B-J方法，是尋求最小方差意義下的最優(yōu)預(yù)測，也是一種精度較高的時序短期預(yù)測方法，包括AR(p)、MA(q)和ARMA(p，q)模型等。運用ARMA模型的前提條件是時間序列為零均值的平穩(wěn)隨機過程。對于包含趨勢性或季節(jié)性的非平穩(wěn)時間序列，須經(jīng)過適當(dāng)?shù)闹鹌诓罘旨凹竟?jié)差分消除趨勢影響后，再對形成的新的平穩(wěn)序列建立ARMA (p，q)模型進行分析。對于只包含趨勢性的原序列，可表示為ARIMA(p，d，q)模型(求和自回歸移動平均模型)，若原序列同時包含趨勢性和季節(jié)性，則可表示為SARIMA(p，d，q)(P，D，Q)s模型(亦稱乘積季節(jié)ARIMA模型)，式中，d，D分別為逐期差分和季節(jié)差分的階數(shù)，p，q分別為自回歸和移動平均的階數(shù)，P，Q分別為季節(jié)自回歸和季節(jié)移動平均的階數(shù)(馮文權(quán)，2008)。二次世界大戰(zhàn)以來，隨著電子計算機的廣泛使用及計算速度的大幅度提高，經(jīng)濟時間序列季節(jié)性調(diào)整的技術(shù)及方法得到了快速發(fā)展和普遍應(yīng)用，人們在ARMA模型基礎(chǔ)上，又開發(fā)了諸如ARFIMA、X-11、X12-ARIMA、TRAMO/SEATS等模型。

　　目前，最流行的自回歸移動平均類方法有西班牙銀行Agustin Maravall開發(fā)的TRAMO/SEATS方法，美國統(tǒng)計署商業(yè)部由Julius Shiskin及其合作者研究的X-11方法及其最新升級X-12-ARIMA等。1994年Gomez和Maravall將通常用來估計與預(yù)測具有ARIMA噪聲、缺失觀測值及外部影響的TRAMO(Time Series Regression with ARIMA Noise，Missing Observations and Outlier)合并形成一個兩方程的ARIMA方法，首先用TRAMO過程對時間序列進行預(yù)調(diào)整(數(shù)據(jù)預(yù)處理)，然后將結(jié)果傳遞給SEATS(Signal Extraction in ARIMA Time Series，是基于ARIMA模型的時間序列分解方法)過程，用SEATS將時間序列分解為趨勢因素、循環(huán)因素、季節(jié)因素和不規(guī)則因素4個部分，與X12-ARIMA模型相比，主觀判斷成分較少，對數(shù)據(jù)處理人員的要求降低，便于普及(雷平，施祖麟，2008).Gomez，Maravall(1996)成功地利用信號榨取理論設(shè)計了季節(jié)調(diào)整程序TRAMO/SEATS。這個程序由兩個子程序組成，其中一個叫TRAMO程序，主要通過一個包括ARIMA擾動過程、遺失觀測值以及異常點的自回歸時間序列模型對數(shù)據(jù)進行初步調(diào)整;另一個是SEATS程序，它主要通過ARIMA時間序列模型對數(shù)據(jù)進行信號榨取。

　　在經(jīng)濟預(yù)測領(lǐng)域，TRAMO/SEATS方法的使用頻率很高。在旅游預(yù)測領(lǐng)域，近年來我國學(xué)者成功地運用TRAMO/SEATS模型，也取得了一定成效。例如朱明芳、劉思敏(2007)使用TRAMO/SEATS方法評估危機事件，如疾病、地震等突發(fā)事件對中國旅游業(yè)的影響;雷平、施祖麟(2008)利用包括TRAMO/SEATS方法的7種方法估計我國入境旅游人次的月度指數(shù)并進行預(yù)測比較研究等。作為一種有效短期預(yù)測技術(shù)，目前在首都旅游市場的運用還處于空白。這里用TRAMO/SEATS方法對北京市短期入境旅游人次進行預(yù)測實證分析，取得滿意效果。

　　2.基于TRAMO/SEATS方法的北京入境旅游人數(shù)實證分析

　　根據(jù)附表一的2005-2012年的月入境人數(shù)樣本數(shù)據(jù)，運用Eviews5軟件，得到2013年1-12月北京市入境旅游人次環(huán)比增長率的預(yù)測值，以此計算2013年1-12月北京市入境旅游人次預(yù)測值見表2.1。

　　表2.1 TRAMO/SEATS模型擬合值與實際值對比表

　　模型的預(yù)測能力一般用MAPE(平均絕對百分比誤差)、RMSE(均方根誤差)和RMSPE(均方根百分比誤差)等指標(biāo)度量，其中最廣泛的MAPE稱為平均相對誤差，用來評價預(yù)測模型的平均準(zhǔn)確性，計算公式如下：

　　這里 是模型的預(yù)測值， 是實際值，n是預(yù)測期數(shù)。一般來說， 是高精度預(yù)測; 是好的預(yù)測; 屬可行的預(yù)測;而 是不準(zhǔn)確的預(yù)測。運用MAPE來檢驗上述預(yù)測的精確度，結(jié)果如表2.2。

　　表2.2 TRAMO/SEATS模型精度MAPE值

　　可以看出，對北京市2013年1-12月入境旅游人次預(yù)測的MAPE達到12.455%，模型預(yù)測能力達到優(yōu)良，能夠較好地為北京市入境旅游的經(jīng)營決策提供良好的數(shù)據(jù)預(yù)測依據(jù)。

　　但是觀察2005-2012年首都月入境旅游人次的原始數(shù)據(jù)圖形可以看出，2008年和2009年首都月入境旅游人次的數(shù)量和變動趨勢與其他年度相比有顯著差異。造成此現(xiàn)象的原因可能是2007年底的金融危機導(dǎo)致旅游人次明顯減少。為消除重大事件的影響，這里需要對原始數(shù)據(jù)進行局部修勻：先將2008年每月北京市入境旅游人次的數(shù)據(jù)用2007年與2010年每月北京市入境旅游人次的平均值替代，然后將2009年每月北京市入境旅游人次的數(shù)據(jù)用上面替代后的2008年和2010年每月北京市入境旅游人次的平均值代替。經(jīng)過調(diào)整后，2005年-2012年北京市每月入境旅游人次的線圖如下面圖2.1所示，時間序列增長平穩(wěn)、季節(jié)變化特征更加突出。

　　圖2.1 數(shù)據(jù)調(diào)整后2005-2012年首都月入境游人次走勢圖

　　(縱坐標(biāo)單位：人次;橫坐標(biāo)單位：年)

　　同樣，運用Eviews5軟件，對處理后的樣本數(shù)據(jù)做TRAMO/SEATS模型預(yù)測，得到2013年1-12月北京市入境旅游人次環(huán)比增長率的預(yù)測，以此計算2013年1-12月北京市入境旅游人次預(yù)測，結(jié)果見表2.3、表2.4。

　　表2.3 數(shù)據(jù)調(diào)整后2013年1-12月模型擬合值與實際值的比較

　　表2.4 數(shù)據(jù)調(diào)整后模型精度MAPE值

　　數(shù)據(jù)經(jīng)過調(diào)整后，模型預(yù)測能力加強，MAPE達到9.77%，預(yù)測能力極佳。

　　上述研究表明，采用沖擊自動檢測的TRAMO/SEATS方法由于能有效提取時間序列數(shù)據(jù)中的信息，對于首都月度入境旅游人次的預(yù)測有相當(dāng)好的預(yù)測效果。但是在處理過程中，也需要注意對重大事件造成的樣本奇異點的調(diào)整，以達到精度更高。

　　3.結(jié)論

　　TRAMO/SEATS方法對于北京市短期入境旅游人次的預(yù)測有相當(dāng)好的預(yù)測效果，能夠為北京市入境旅游的短期經(jīng)營策略提供良好的預(yù)測數(shù)據(jù);為進一步把握北京市入境旅游市場的發(fā)展規(guī)律以及北京市旅游管理的決策制定和旅游企業(yè)的短期戰(zhàn)略、策略的制定提供一定的理論和現(xiàn)實依據(jù);為抓好新一輪改革機遇，更好地發(fā)揮首都優(yōu)勢，充分發(fā)揮旅游業(yè)在首都經(jīng)濟結(jié)構(gòu)轉(zhuǎn)型中的龍頭帶動作用提供一些幫助。