2015年米兰世博会对旅游客流量影响力估算
1关键字 1Abstract 1Key words 1引言 21 模型基础 21.1 模型理论 21.2模型方法 22 模型建立与求解 32.1模型一 32.1 .1 模型假设 32.1 .2 数据的选取与修订 32.1.3模型求解 32.1.4 本底值结果 62.1.5 模型延伸 62.1.6模型结果与分析 72.2 模型二 72.2 .1 模型假设 72.2.2 数据选取与修正 72.2.3模型求解 72.2.4 本底值结果 92.1.5 模型延伸 102.1.6 模型结果与分析 103.结束语 10致谢 11参考文献 11附录A 12附录B 132015米兰世博会对旅游客流量影响力估算2015米兰世博会是继上海世博会后又一个注册类世博会，对意大利旅游业将产生巨大的影响，对它的研究可以为后来事件效应提供宝贵的经验。中国是米兰世博会主要投资者之一，针对中国市场的巨大潜力，本文对中国前往意大利游客数目与入境意大利总客流量进行预测研究，主要用到的模型是旅游本底趋势线模型。模型主要是利用几种基本数学模型与其复合模型对统计值进行拟合得到最佳趋势线方程，这时为自然情况下的客流量预测值，结果与贡献率结合，得到世博会冲击下的客流量预测值。模型得到的结果有首先，世博会期间，中国前往意大利客流量的预测值；此外，世博会期间，外国游客入境意大利总客流量预测值。关键字米兰世博会；底趋势线模型；客流量预测The predicted value of Tourism under the influence of 2015 Milano ExpoStudent majoring in Information and Computing Science Zhu PengyunTutor Zhang LiangyunAbstract2015 Milano Expo is the another registered World Expo after 2010 Shanghai Expo. It will have a huge impact on the Italian tourism and its research can provide valuable experience for later events. Considering the huge potential of *好棒文|www.hbsrm.com +Q: ^351916072*
the Chinese market, China is among the main investors of Milano Expo now. In this paper, we do research on the number of Chinese tourists who choose their first destinations in Italy and on the number of foreign tourists travelling to Italy, which is mainly under the mathematic model named background trend line model. The content of the model is using several basic mathematical models and its composite model to fit the statistics to get the best trend line equation, by which we can get the predicted value without the influence of Expo. Then combine the result with rate of contribution to get predicted value during the Expo. The results obtained by the model are: first, during the Expo, predicted value of Chinese tourists. Second, during the Expo, predicted value of foreign tourists in Italy.Key words2015 Milano Expo; background trend line model; predicted value of passenger flow volume引言世界博览会是当今全球三大顶级盛世之一，2010年上海世博会可谓是盛况空前，而米兰世博会则是继上海世博会之后又一次注册类的世博会。事实上，世博会不仅仅只是一场博览会，它还关系到国家和举办城市向全球的文化与形象的宣扬，显然早就成为推动各行业发展的一个重要的桥梁，当然，它最直接会影响到本地的旅游业。由于该事件无论在哪个国家举行，对其举办地的旅游业都有巨大的影响，所以米兰世博会既是意大利旅游业一次空前的机遇，又是对国家政府与社会管理工作的一次严峻的考验。国内与国外以往的研究庆典或危机的影响的文章中，出现过很多种的对此评估的方法，比较普遍的有（其本质都是拟合）渗透性模型，引力模型和传统多元回归模型。本文采取的是本底趋势线模型，与多元回归模型相似，指在不受政治等因素冲击的基础下，国家（或地区）内部旅游业自然状况下长期发展（以游客数目或总收益为因变量）所表现出来的趋势的大致走向。故而，对米兰世博会客流量的预测的研究既可以直接反映其对意大利旅游经济的贡献量，又可以为相关政府与社会做好完备的准备工作提供科学依据，同时还为后来的事件效应提供有效经验。针对米兰世博会客流量预测，由于这次的世博会的主题的原因与中国本身的原因，中国是其最真诚的支持者之一，是唯一一个设立国家馆和企业展馆的国家，意大利方面也表示预计可能会有一百万张门票留给中国游客。所以，本文除了对国外游客前往意大利旅游的总人数进行预测，还尤其对中国首站前往意大利的游客数目做了相关预测。1 模型基础模型理论本底一词引用自环境学中的学术语“本底值”（即在没受人为污染的时候的环境中的各种指标的原自然含量），现在多将其用在重大庆典事件或危机事件中的影响力评估。所以，旅游本底线就是抛开环境因素，取而代之的是旅游业，在对旅游的市场分析调查的前提上，成功地对其自然发展的将来走向与事件导致的影响进行严格数学分析，从而呈现出旅游业发展自然而平稳的发展规律。它具有指示旅游发展兴衰的“晴雨表”功能，指的是可以对曾经已经发生的数据的准确合理的说明，和评估分析未来旅游业发展趋势的“预测”功能，指的是对呈现出的发展规律往后未来的继续而得到的数据[8]。此外，由于受到境内外的各方面事件的干扰，旅游趋势线会发生随机上下波动（动态曲线）[10]。该模型理论有二大特点一是在旅游业发展相对稳定的时候进行数值模型，5个基本模型及其复合模型可以反映发展的动态特征。二是一时间序列为自变量，将客流量预测转化成趋势线的往后继续延伸。1.2模型方法该模型实质是一种复合函数的数学建模（四种基本数学模型的组合），其理论上与传统回归分析一致，利用数学工具对数据进行统计拟合，寻找其拟合趋势方程，通过对其拟合方程的正确性进行检验，可以找出符合旅游发展的最佳的趋势方程。旅游事件的评估就是以最佳趋势方程为参考系，将统计的数值与本底趋势线相比较，识别突发事件对旅游业发展的冲击和影响，计算“凹型谷”或“凸型峰”所代表危机或者庆典对旅游业的冲击效应。危机事件导致的“凹型谷”，计算客流量损失（损失率）=本底值-统计值；庆典事件导致的“凸型峰”，旅游增益值（贡献率）=统计值-本底值，这边便是提到的“晴雨表”功能[9]。2 模型建立与求解2.1模型一此次世博会的主题契合农业，而中国有很大的人口基数，对粮食需求的关注意识很强。加上近几年赴意大利总旅游量在1300万人次左右，而中国就占到了接近100万人次，中国一直是意大利旅游业一个大投资者。所以讨论中国前往意大利旅游的客流量对两国都有另外的重要意义。2.1 .1 模型假设1. 假设在此之前举办的世博会的影响早已经消退，不对这次产生影响；2. 假设在这一年与之同时发生的能起重大反响的事情的影响忽略；3. 假设搜集到的求解的数据的可信度相对是比较高的；4. 假设世博会客流量的研究数据可转化成入境的游客的数据，即在这段时间内来从中国首站去意大利的游客都是去世博会的；5. 假设此次世博会的相对贡献率与2010年上海世博会专家预测值一致。2.1 .2 数据的选取与修订旅游业一直都是一个受内外事件波及而变化幅度比较大的产业。在不考虑除此之外其他事件的影响下，建立意大利旅游业的本底趋势线，由于研究的事件是单一事件，影响的周期比较明显，所以自变量选择时间序列，是满足这一研究的需要的。本文采集数据的时间周期为6年。但是由于某些其他事件的波及（如金融危机等），可能会使统计数据存在很大的非本底性，所以在建立旅游本底线方程时，首先应对收集的数据进行适当的修改，使其更准确。中国游客入境意大利旅游的统计数据取自《中国旅游局》，分析建模时间段是2008~2016。根据统计观测，该组数据并没有非本底性数据。表一 中国首站前往意大利出境旅游数据年份研究量（万）比上年增长率（%）中国总出境人数（万）200818.3013.24584.44200922.0118.04765.63201027.1823.55738.65201138.1240.27925.00201243.3313.78318.27201347.8010.39818.522.1.3模型求解一般步骤1.观测统计图，对有问题的数据进行内插修正得到比较准确的数据。2.用基本数学模型的复合模型，根据最小二乘法，进行数据的最优拟合，并确定有关参数值。3.选取最大相关系数的模型为最佳旅游本底趋势线模型[7]。本底趋势线=长期趋势项+长期波动项+随机波动项，本文不考虑随机波动项，只考虑长期趋势项和长期波动项。四种基本模型为直线模型 指数模型逻辑线模型正弦线模型上面这四种基本数学模型，尤其自身特点，为弥补各个模型的不足，并提高拟合统计值的准确度，将直线模型、指数模型、逻辑线模型、正弦线模型进行组合，从而得到6种新复合的数学模型，分别为直线—指数复合模型直线—逻辑线复合模型直线—正弦线复合模型指数—逻辑线复合模型指数—正弦线复合模型逻辑线—正弦线复合模型利用Matlab编程拟合得到直线—指数复合模型 直线—逻辑线复合模型 直线—正弦线复合模型 指数—逻辑线复合模型 指数—正弦线复合模型 逻辑线—正弦线复合模型 2.1.4 本底值结果 表二 复合函数的趋势线方程模型各模型趋势线方程相关系数直线—指数0.9736直线—逻辑线0.979直线—正弦线0.9981指数—逻辑线0.7684指数—正弦线0.9903逻辑—正弦线0.9728选取最大相关系数的模型；由方程计算2015年的本底值，若计算得到的数据出现了负值，就删除掉这个模型，然后再选相关系数平方和最大的做出方程。相关系数最大的是直线—正弦线，即拟合相关性最显著，精度最高。可以知道中国首站前往意大利的旅游人数状态主要呈现直线增长状态，长期趋势项选择为直线函数，长期波动项选择正弦函数。最终选择的本底趋势线模型方程式其中， 为中国赴意大利旅游的客流量的预测值，单位万人次。t为自变量，从2008年开始取t=1,2等。计算得出2014年的自然情况下客流量预测值为59.11。2015年的自然情况下客流量预测值为63.9205。2016年的自然情况下客流量预测值为68.005。2.1.5 模型延伸米兰世博会与危机事件相反，带来的效应肯定是增长的，会形成“凸型峰”。“凸型峰”直接根据本底趋势线往后延伸是得不出来的，是在此基础上，加上相对贡献率按照下面高、中、低3个不同方法计算得到的。所谓相对贡献率，即客流量之差比实际统计值的比值，而实际值未知，这里的相对贡献率是采用上海世博会的专家预测出来的值。根据近几年注册类的世博会对举办地的旅游业的冲击状况，我们分析出了高、中、低三种方案，对2014-2016意大利入境客流量（针对中国游客）进行了预测。以2015年中国入境意大利游客客流量预测为例，计算公式如下低方案中方案高方案其中， 为2015年高、中、低3种不同方案的预测值； 为自然状况下的本底值，即基于本底趋势线的2015年客流量预测值； 为研究专家已经预测出的相对贡献率，即是以本底趋势线为准则的事件的“凸型峰”高出部分的百分比[8]。运用相同的原理与公式，我们得到2014年和2016年中国首站前往意大利游客数目。先是2014年高、中、低三个结果的相对贡献率为10%、8%、6%，则预测值分别为65.02、63.8388、62.6566。其次，2016年高、中、低三个结果的相对贡献率为15%、10%、5%，则预测值分别为78.20575、74.8055、71.40525[8]。2.1.6模型结果与分析表三 2014-2016各方案预测值年份低方案中方案高方案201462.656663.838865.02201576.704679.900683.09665201671.4052574.805578.20575分析与结论在本底趋势线下，数据呈现比较稳定的增长，世博会的出现会使数据呈现出一个凸型峰，即表格中的2015年的数据，其与本底趋势线得到的数据的差值为世博会冲击下中国入境意大利游客的增长量（贡献量）。从事件发展的整个周期来看，从世博会前一年2014年开始已经显现出增长的势头，凸型峰持续了3年，到2016依然有所增加。以中方案为例，2015年客流量贡献量为16.0618 万人次。2.2 模型二庆典的举办对举办地的旅游方面的影响往往是最大的，所以模型一仅仅只是研究了世博会对意大利旅游业发展一部分的影响，模型二就总体而言，对意大利总的国外游客客流量进行了预测。用模型一的方法同理计算国外游客赴意大利旅游客流量。但相比模型一，由于数据来源比较广泛，收集的数据准确率相对不高。2.2 .1 模型假设1. 假设在此之前举办的世博会的影响早已经消退，不对这次产生影响；2. 假设在这一年与之同时发生的能起重大反响的事情的影响忽略；3. 假设搜集到的求解的数据的可信度相对是比较高的；4. 假设世博会客流量的研究数据可转化成入境的游客的数据，即在这段时间内来国外赴意大利的游客都是去世博会的；5. 假设此次世博会的相对贡献率与2010年上海世博会专家预测值一致。2.2.2 数据选取与修正全球游客入境意大利的统计数据取自网络，分析建模时间段是2008~2016。数据缺点数据不完善，有一定错误率。 表四 国外游客赴意大利数据年份研究量（万）总收益（亿欧）2008978.678107820091011.237115920101063.678126020111127.78122520121194.23135520131279.8815962.2.3模型求解直线—指数复合模型直线—逻辑线复合模型直线—正弦线复合模型指数—逻辑线复合模型指数—正弦线复合模型逻辑线—正弦线复合模型2.2.4 本底值结果表五 各个模型的趋势线模型最佳趋势线方程相关系数直线—指数0.9995直线—逻辑线0.9787直线—正弦线0.9812指数—逻辑线0.9983指数—逻辑线0.9799逻辑线—正弦线0.9777相关系数最大的是直线—指数模型，即拟合相关性最显著，精度最高。可以知道国外前往意大利的旅游人数状态主要呈现直线增长或指数增长状态，长期趋势项选择为直线函数，长期波动项选择指数函数。最终选择的本底趋势线模型方程式其中， 为国外前往意大利旅游客流量的预测值，单位万人次。t为时间变量，从2008年依次取t=1,2等。计算得出2014年的世博会冲击下客流量预测值为1376.97。2015年的世博会冲击下客流量预测值为1556.06。2016年的世博会冲击下客流量预测值为1398.89。2.1.5 模型延伸研究近几年注册类的世博会对举办地入境旅游的冲击状况，我们分析出了高、中、低三种方案，对2014-2016国外游客赴意大利旅游客流量进行了预测。以2015年国外赴意大利游客客流量预测为例，计算公式如下低方案中方案高方案其中， 为2015年高、中、低3种不同方案的国外游客前往意大利数目预测值[8]。运用相同的原理与公式，我们得到2014年和2016年国外游客赴意大利旅游的数目。先是2014年高、中、低三个结果的相对贡献率为10%、8%、6%，则预测值分别为1514.667、1487.1276、1459.5882。其次，2016年高、中、低三个结果的相对贡献率为15%、10%、5%，则预测值分别为1608.7235、1538.779、1468.8345【8】。2.1.6 模型结果与分析表三 2014-2016各方案预测值年份低方案中方案高方案20141459.58821487.12761514.66720151867.2721945.0752022.87820161468.83451538.7791608.7235分析与结论在本底趋势线下，数据呈现比较稳定的增长，世博会的出现会使数据呈现出一个凸型峰，即表格中的2015年的数据，其与本底趋势线得到的数据的差值为世博会冲击下国外赴意大利游客的增长量（贡献量）。从事件发展的周期来看，从世博会前一年2014年开始已经显现出增长的势头，凸型峰持续了3年，到2016依然有所增加。以中方案为例，2015年客流量贡献量为389.015 万人次。3.结束语世博盛典一直就像“磁铁”一般吸引着来自各个国家的旅游，上海世博会的成功举办，使得越来越多的研究人员的关注点转向了庆典对举办地旅游业发展的影响。这样的研究也是有其明确的意义与作用可以为当地政府和管理机构提供信息以做好必要准备工作，也可以为以后庆典做提供经验。本文主要用的方法来源于旅游学，与旅游研究中的市场客流量预测时间序列法的数据拟合在真正意义上一致；而且研究的分析过程中，使用了众多模型比较相关系数的方法来确定最佳的方程，实质上与传统的组合预测方法也是如出一辙，但总体还是比较合理的【9】。在世博会庆典的影响下，世博会期间及前一年与后一年都显示出增长状况，客流量呈现出凸型峰。本文得到的结果有1.在自然状况下的得到的2014、2015、2016年中国首站赴意大利旅游人数达到59.11、63.9205、68.005。以高方案得到的2014、2015、2016的预测值分别为1514.667、2022.878、1608.7235；以中方案得到的2014、2015、2016的预测值分别为1487.1276、1945.075、1538.779；以低方案得到的2014、2015、2016的预测值分别为1495.5882、1867.272、1468.8345。2. 在自然状况下的得到的2014、2015、2016年国外游客赴意大利旅游人数达到59.11、63.9205、68.005。以高方案得到的2014、2015、2016的预测值分别为65.02、76.7046、78.20575；以中方案得到的2014、2015、2016的预测值分别为63.8388、79.9006、74.8055；以低方案得到的2014、2015、2016的预测值分别为62.6566、83.09665、71.40525。致谢参考文献[1] Brent W. Ritchie. Chaos, crises and disasters: A strategic approach to crisis management in the tourism industry[J]. Tourism Management, 2004, 25(6):699-683.[2] Boorstin D. Image: A Guide to Pseudo-Events in America[M]. New York: Harper and Row, 1961(Reprinted in 1992)(Booklist):94-111[3] Roche M. Mega-events and Modernity: Olympics and Expos in the Growth of Global Culture[M]. London: Routledge,2000:276-277.[4] Khan H. Asian contagion: impact on Singapore tourism[J]. Annals of Tourism Research,2001,28(1): 224-226.[5] Huang J H, Min CH J. Earthquake devastation and recovery in tourism: the Taiwan Case[J].Tourism Management,2002,23(2):145-154.[6] Goodrich. J N. September 11,2001 attack on America: a record of the immediate impacts and reactions in the USA travel and tourism industry[J]. Tourism Management,2003,7(23):573-580. [7] 李峰, 孙根年. 基于本底线（TBL）的旅游危机研究:以2003年SARS为例[J]. 人文地理,2006,21(4):105-112.[8] 孙根年, 马丽君. 基于本底线的2008年北京奥运会客流量预测[J]. 地理研究,2008,27(1):65-74.[9] 孙根年, 舒静静, 马丽君, 等. 五大危机事件对美国出入境旅游的影响:基于本底线模型的高分辨率分析[J]. 地理科学进展,2010,29(8):987-996.[10] 戴光全, 保继刚. 昆明世博会效应的定量估算:本底趋势线模型[J]. 地理科学,2007,27(3):42-46.[11] 孙根年. 我国6大境外客源市场旅游本底趋势线的建立及其科学意义[J]. 河南大学学报:自然科学版,1998,28(4):64-70.附录Asubplot(1,2,1); x=1:6; y=[18.30 22.01 27.18 38.12 43.33 47.80]; fun=inline(beta(1)+beta(2)*x+beta(3)*exp(beta(4)*x),beta,x); beta=nlinfit(x,y,fun,[1 10 10 1]) g=beta(1)+beta(2)*x+beta(3)*exp(beta(4)*x); plot(x,y,O,x,g,k) legend(统计量,本底线) ylabel(万人次) xlabel(年份) title(直线——指数复合模型) subplot(1,2,2); x=1:6; y=[18.30 22.01 27.18 38.12 43.33 47.80]; fun=inline(beta(1)+beta(2)*x+beta(3)*ones(1,6)./(1+exp(beta(4)-beta(5)*x)),beta,x); beta=nlinfit(x,y,fun,[10 10 20 30 0]) g=beta(1)+beta(2)*x+beta(3)*ones(1,6)./(1+exp(beta(4)-beta(5)*x)); plot(x,y,O,x,g,K) legend(统计量,本底线) ylabel(万人次) xlabel(年份) title(直线——逻辑线复合模型) figure;subplot(1,2,1); x=1:6; y=[18.30 22.01 27.18 38.12 43.33 47.80]; fun=inline(beta(1)+beta(2)*x+beta(3)*sin(beta(4)*x+beta(5)),beta,x); beta=nlinfit(x,y,fun,[500 100 900 100 100]) g=beta(1)+beta(2)*x+beta(3)*sin(beta(4)*x+beta(5)); plot(x,y,O,x,g,k) legend(统计量,本底线) ylabel(万人次) xlabel(年份) title(直线——正弦线复合模型) subplot(1,2,2); y=[18.30 22.01 27.18 38.12 43.33 47.80]; fun=inline(beta(1)*exp(beta(2)*x)+beta(3)*ones(1,6)./(1+exp(beta(4)-beta(5)*x)),beta,x); beta=nlinfit(x,y,fun,[500 1 10 100 100]) g=beta(1)*exp(beta(2)*x)+beta(3)*ones(1,6)./(1+exp(beta(4)-beta(5)*x)); plot(x,y,O,x,g,k) legend(统计量,本底线) ylabel(万人次) xlabel(年份) title(指数——逻辑线复合模型) figure;subplot(1,2,1); x=1:6; y=[18.30 22.01 27.18 38.12 43.33 47.80]; fun=inline(beta(1)*exp(beta(2)*x)+beta(3)*sin(beta(4)*x+beta(5)),beta,x); beta=nlinfit(x,y,fun,[50 1 100 100 500]) g=beta(1)*exp(beta(2)*x)+beta(3)*sin(beta(4)*x+beta(5)); plot(x,y,O,x,g,k) legend(统计量,本底线) ylabel(万人次) xlabel(年份) title(指数——正弦线复合模型) subplot(1,2,2); x=1:6; y=[18.30 22.01 27.18 38.12 43.33 47.80]; fun=inline(beta(1)*ones(1,6)./(1+exp(beta(2)-beta(3)*x))+beta(4)*sin(beta(5)*x+beta(6)),beta,x); beta=nlinfit(x,y,fun,[10 10 20 30 10 20]) g=beta(1)*ones(1,6)./(1+exp(beta(2)-beta(3)*x))+beta(4)*sin(beta(5)*x+beta(6)); plot(x,y,O,x,g,K) legend(统计量,本底线) ylabel(万人次) xlabel(年份) title(逻辑线——正弦线复合模型)附录Bsubplot(1,2,1); x=1:6; y=[978.678 1011.237 1063.678 1127.78 1194.23 1279.88]; fun=inline(beta(1)+beta(2)*x+beta(3)*exp(beta(4)*x),beta,x); beta=nlinfit(x,y,fun,[1 10 10 1]) g=beta(1)+beta(2)*x+beta(3)*exp(beta(4)*x); plot(x,y,O,x,g,k) legend(统计量,本底线) ylabel(万人次) xlabel(年份) title(直线——指数复合模型) subplot(1,2,2); x=1:6; y=[978.678 1011.237 1063.678 1127.78 1194.23 1279.88]; fun=inline(beta(1)+beta(2)*x+beta(3)*ones(1,6)./(1+exp(beta(4)-beta(5)*x)),beta,x); beta=nlinfit(x,y,fun,[10 10 20 30 0]) g=beta(1)+beta(2)*x+beta(3)*ones(1,6)./(1+exp(beta(4)-beta(5)*x)); plot(x,y,O,x,g,K) legend(统计量,本底线) ylabel(万人次) xlabel(年份) title(直线——逻辑线复合模型) figure; subplot(1,2,1); x=1:6; y=[978.678 1011.237 1063.678 1127.78 1194.23 1279.88]; fun=inline(beta(1)+beta(2)*x+beta(3)*sin(beta(4)*x+beta(5)),beta,x); beta=nlinfit(x,y,fun,[500 100 900 100 100]) g=beta(1)+beta(2)*x+beta(3)*sin(beta(4)*x+beta(5)); plot(x,y,O,x,g,k) legend(统计量,本底线) ylabel(万人次) xlabel(年份) title(直线——正弦线复合模型) subplot(1,2,2); y=[978.678 1011.237 1063.678 1127.78 1194.23 1279.88]; fun=inline(beta(1)*exp(beta(2)*x)+beta(3)*ones(1,6)./(1+exp(beta(4)-beta(5)*x)),beta,x); beta=nlinfit(x,y,fun,[500 1 10 100 100]) g=beta(1)*exp(beta(2)*x)+beta(3)*ones(1,6)./(1+exp(beta(4)-beta(5)*x)); plot(x,y,O,x,g,k) legend(统计量,本底线) ylabel(万人次) xlabel(年份) title(指数——逻辑线复合模型) figure; subplot(1,2,1); x=1:6; y=[978.678 1011.237 1063.678 1127.78 1194.23 1279.88]; fun=inline(beta(1)*exp(beta(2)*x)+beta(3)*sin(beta(4)*x+beta(5)),beta,x); beta=nlinfit(x,y,fun,[50 1 100 100 500]) g=beta(1)*exp(beta(2)*x)+beta(3)*sin(beta(4)*x+beta(5)); plot(x,y,O,x,g,k) legend(统计量,本底线) ylabel(万人次) xlabel(年份) title(指数——正弦线复合模型) subplot(1,2,2); x=1:6; y=[978.678 1011.237 1063.678 1127.78 1194.23 1279.88]; fun=inline(beta(1)*ones(1,6)./(1+exp(beta(2)-beta(3)*x))+beta(4)*sin(beta(5)*x+beta(6)),beta,x); beta=nlinfit(x,y,fun,[10 10 20 30 10 20]) g=beta(1)*ones(1,6)./(1+exp(beta(2)-beta(3)*x))+beta(4)*sin(beta(5)*x+beta(6)); plot(x,y,O,x,g,K) legend(统计量,本底线) ylabel(万人次) xlabel(年份) title(逻辑线——正弦线复合模型)
目录
the Chinese market, China is among the main investors of Milano Expo now. In this paper, we do research on the number of Chinese tourists who choose their first destinations in Italy and on the number of foreign tourists travelling to Italy, which is mainly under the mathematic model named background trend line model. The content of the model is using several basic mathematical models and its composite model to fit the statistics to get the best trend line equation, by which we can get the predicted value without the influence of Expo. Then combine the result with rate of contribution to get predicted value during the Expo. The results obtained by the model are: first, during the Expo, predicted value of Chinese tourists. Second, during the Expo, predicted value of foreign tourists in Italy.Key words2015 Milano Expo; background trend line model; predicted value of passenger flow volume引言世界博览会是当今全球三大顶级盛世之一，2010年上海世博会可谓是盛况空前，而米兰世博会则是继上海世博会之后又一次注册类的世博会。事实上，世博会不仅仅只是一场博览会，它还关系到国家和举办城市向全球的文化与形象的宣扬，显然早就成为推动各行业发展的一个重要的桥梁，当然，它最直接会影响到本地的旅游业。由于该事件无论在哪个国家举行，对其举办地的旅游业都有巨大的影响，所以米兰世博会既是意大利旅游业一次空前的机遇，又是对国家政府与社会管理工作的一次严峻的考验。国内与国外以往的研究庆典或危机的影响的文章中，出现过很多种的对此评估的方法，比较普遍的有（其本质都是拟合）渗透性模型，引力模型和传统多元回归模型。本文采取的是本底趋势线模型，与多元回归模型相似，指在不受政治等因素冲击的基础下，国家（或地区）内部旅游业自然状况下长期发展（以游客数目或总收益为因变量）所表现出来的趋势的大致走向。故而，对米兰世博会客流量的预测的研究既可以直接反映其对意大利旅游经济的贡献量，又可以为相关政府与社会做好完备的准备工作提供科学依据，同时还为后来的事件效应提供有效经验。针对米兰世博会客流量预测，由于这次的世博会的主题的原因与中国本身的原因，中国是其最真诚的支持者之一，是唯一一个设立国家馆和企业展馆的国家，意大利方面也表示预计可能会有一百万张门票留给中国游客。所以，本文除了对国外游客前往意大利旅游的总人数进行预测，还尤其对中国首站前往意大利的游客数目做了相关预测。1 模型基础模型理论本底一词引用自环境学中的学术语“本底值”（即在没受人为污染的时候的环境中的各种指标的原自然含量），现在多将其用在重大庆典事件或危机事件中的影响力评估。所以，旅游本底线就是抛开环境因素，取而代之的是旅游业，在对旅游的市场分析调查的前提上，成功地对其自然发展的将来走向与事件导致的影响进行严格数学分析，从而呈现出旅游业发展自然而平稳的发展规律。它具有指示旅游发展兴衰的“晴雨表”功能，指的是可以对曾经已经发生的数据的准确合理的说明，和评估分析未来旅游业发展趋势的“预测”功能，指的是对呈现出的发展规律往后未来的继续而得到的数据[8]。此外，由于受到境内外的各方面事件的干扰，旅游趋势线会发生随机上下波动（动态曲线）[10]。该模型理论有二大特点一是在旅游业发展相对稳定的时候进行数值模型，5个基本模型及其复合模型可以反映发展的动态特征。二是一时间序列为自变量，将客流量预测转化成趋势线的往后继续延伸。1.2模型方法该模型实质是一种复合函数的数学建模（四种基本数学模型的组合），其理论上与传统回归分析一致，利用数学工具对数据进行统计拟合，寻找其拟合趋势方程，通过对其拟合方程的正确性进行检验，可以找出符合旅游发展的最佳的趋势方程。旅游事件的评估就是以最佳趋势方程为参考系，将统计的数值与本底趋势线相比较，识别突发事件对旅游业发展的冲击和影响，计算“凹型谷”或“凸型峰”所代表危机或者庆典对旅游业的冲击效应。危机事件导致的“凹型谷”，计算客流量损失（损失率）=本底值-统计值；庆典事件导致的“凸型峰”，旅游增益值（贡献率）=统计值-本底值，这边便是提到的“晴雨表”功能[9]。2 模型建立与求解2.1模型一此次世博会的主题契合农业，而中国有很大的人口基数，对粮食需求的关注意识很强。加上近几年赴意大利总旅游量在1300万人次左右，而中国就占到了接近100万人次，中国一直是意大利旅游业一个大投资者。所以讨论中国前往意大利旅游的客流量对两国都有另外的重要意义。2.1 .1 模型假设1. 假设在此之前举办的世博会的影响早已经消退，不对这次产生影响；2. 假设在这一年与之同时发生的能起重大反响的事情的影响忽略；3. 假设搜集到的求解的数据的可信度相对是比较高的；4. 假设世博会客流量的研究数据可转化成入境的游客的数据，即在这段时间内来从中国首站去意大利的游客都是去世博会的；5. 假设此次世博会的相对贡献率与2010年上海世博会专家预测值一致。2.1 .2 数据的选取与修订旅游业一直都是一个受内外事件波及而变化幅度比较大的产业。在不考虑除此之外其他事件的影响下，建立意大利旅游业的本底趋势线，由于研究的事件是单一事件，影响的周期比较明显，所以自变量选择时间序列，是满足这一研究的需要的。本文采集数据的时间周期为6年。但是由于某些其他事件的波及（如金融危机等），可能会使统计数据存在很大的非本底性，所以在建立旅游本底线方程时，首先应对收集的数据进行适当的修改，使其更准确。中国游客入境意大利旅游的统计数据取自《中国旅游局》，分析建模时间段是2008~2016。根据统计观测，该组数据并没有非本底性数据。表一 中国首站前往意大利出境旅游数据年份研究量（万）比上年增长率（%）中国总出境人数（万）200818.3013.24584.44200922.0118.04765.63201027.1823.55738.65201138.1240.27925.00201243.3313.78318.27201347.8010.39818.522.1.3模型求解一般步骤1.观测统计图，对有问题的数据进行内插修正得到比较准确的数据。2.用基本数学模型的复合模型，根据最小二乘法，进行数据的最优拟合，并确定有关参数值。3.选取最大相关系数的模型为最佳旅游本底趋势线模型[7]。本底趋势线=长期趋势项+长期波动项+随机波动项，本文不考虑随机波动项，只考虑长期趋势项和长期波动项。四种基本模型为直线模型 指数模型逻辑线模型正弦线模型上面这四种基本数学模型，尤其自身特点，为弥补各个模型的不足，并提高拟合统计值的准确度，将直线模型、指数模型、逻辑线模型、正弦线模型进行组合，从而得到6种新复合的数学模型，分别为直线—指数复合模型直线—逻辑线复合模型直线—正弦线复合模型指数—逻辑线复合模型指数—正弦线复合模型逻辑线—正弦线复合模型利用Matlab编程拟合得到直线—指数复合模型 直线—逻辑线复合模型 直线—正弦线复合模型 指数—逻辑线复合模型 指数—正弦线复合模型 逻辑线—正弦线复合模型 2.1.4 本底值结果 表二 复合函数的趋势线方程模型各模型趋势线方程相关系数直线—指数0.9736直线—逻辑线0.979直线—正弦线0.9981指数—逻辑线0.7684指数—正弦线0.9903逻辑—正弦线0.9728选取最大相关系数的模型；由方程计算2015年的本底值，若计算得到的数据出现了负值，就删除掉这个模型，然后再选相关系数平方和最大的做出方程。相关系数最大的是直线—正弦线，即拟合相关性最显著，精度最高。可以知道中国首站前往意大利的旅游人数状态主要呈现直线增长状态，长期趋势项选择为直线函数，长期波动项选择正弦函数。最终选择的本底趋势线模型方程式其中， 为中国赴意大利旅游的客流量的预测值，单位万人次。t为自变量，从2008年开始取t=1,2等。计算得出2014年的自然情况下客流量预测值为59.11。2015年的自然情况下客流量预测值为63.9205。2016年的自然情况下客流量预测值为68.005。2.1.5 模型延伸米兰世博会与危机事件相反，带来的效应肯定是增长的，会形成“凸型峰”。“凸型峰”直接根据本底趋势线往后延伸是得不出来的，是在此基础上，加上相对贡献率按照下面高、中、低3个不同方法计算得到的。所谓相对贡献率，即客流量之差比实际统计值的比值，而实际值未知，这里的相对贡献率是采用上海世博会的专家预测出来的值。根据近几年注册类的世博会对举办地的旅游业的冲击状况，我们分析出了高、中、低三种方案，对2014-2016意大利入境客流量（针对中国游客）进行了预测。以2015年中国入境意大利游客客流量预测为例，计算公式如下低方案中方案高方案其中， 为2015年高、中、低3种不同方案的预测值； 为自然状况下的本底值，即基于本底趋势线的2015年客流量预测值； 为研究专家已经预测出的相对贡献率，即是以本底趋势线为准则的事件的“凸型峰”高出部分的百分比[8]。运用相同的原理与公式，我们得到2014年和2016年中国首站前往意大利游客数目。先是2014年高、中、低三个结果的相对贡献率为10%、8%、6%，则预测值分别为65.02、63.8388、62.6566。其次，2016年高、中、低三个结果的相对贡献率为15%、10%、5%，则预测值分别为78.20575、74.8055、71.40525[8]。2.1.6模型结果与分析表三 2014-2016各方案预测值年份低方案中方案高方案201462.656663.838865.02201576.704679.900683.09665201671.4052574.805578.20575分析与结论在本底趋势线下，数据呈现比较稳定的增长，世博会的出现会使数据呈现出一个凸型峰，即表格中的2015年的数据，其与本底趋势线得到的数据的差值为世博会冲击下中国入境意大利游客的增长量（贡献量）。从事件发展的整个周期来看，从世博会前一年2014年开始已经显现出增长的势头，凸型峰持续了3年，到2016依然有所增加。以中方案为例，2015年客流量贡献量为16.0618 万人次。2.2 模型二庆典的举办对举办地的旅游方面的影响往往是最大的，所以模型一仅仅只是研究了世博会对意大利旅游业发展一部分的影响，模型二就总体而言，对意大利总的国外游客客流量进行了预测。用模型一的方法同理计算国外游客赴意大利旅游客流量。但相比模型一，由于数据来源比较广泛，收集的数据准确率相对不高。2.2 .1 模型假设1. 假设在此之前举办的世博会的影响早已经消退，不对这次产生影响；2. 假设在这一年与之同时发生的能起重大反响的事情的影响忽略；3. 假设搜集到的求解的数据的可信度相对是比较高的；4. 假设世博会客流量的研究数据可转化成入境的游客的数据，即在这段时间内来国外赴意大利的游客都是去世博会的；5. 假设此次世博会的相对贡献率与2010年上海世博会专家预测值一致。2.2.2 数据选取与修正全球游客入境意大利的统计数据取自网络，分析建模时间段是2008~2016。数据缺点数据不完善，有一定错误率。 表四 国外游客赴意大利数据年份研究量（万）总收益（亿欧）2008978.678107820091011.237115920101063.678126020111127.78122520121194.23135520131279.8815962.2.3模型求解直线—指数复合模型直线—逻辑线复合模型直线—正弦线复合模型指数—逻辑线复合模型指数—正弦线复合模型逻辑线—正弦线复合模型2.2.4 本底值结果表五 各个模型的趋势线模型最佳趋势线方程相关系数直线—指数0.9995直线—逻辑线0.9787直线—正弦线0.9812指数—逻辑线0.9983指数—逻辑线0.9799逻辑线—正弦线0.9777相关系数最大的是直线—指数模型，即拟合相关性最显著，精度最高。可以知道国外前往意大利的旅游人数状态主要呈现直线增长或指数增长状态，长期趋势项选择为直线函数，长期波动项选择指数函数。最终选择的本底趋势线模型方程式其中， 为国外前往意大利旅游客流量的预测值，单位万人次。t为时间变量，从2008年依次取t=1,2等。计算得出2014年的世博会冲击下客流量预测值为1376.97。2015年的世博会冲击下客流量预测值为1556.06。2016年的世博会冲击下客流量预测值为1398.89。2.1.5 模型延伸研究近几年注册类的世博会对举办地入境旅游的冲击状况，我们分析出了高、中、低三种方案，对2014-2016国外游客赴意大利旅游客流量进行了预测。以2015年国外赴意大利游客客流量预测为例，计算公式如下低方案中方案高方案其中， 为2015年高、中、低3种不同方案的国外游客前往意大利数目预测值[8]。运用相同的原理与公式，我们得到2014年和2016年国外游客赴意大利旅游的数目。先是2014年高、中、低三个结果的相对贡献率为10%、8%、6%，则预测值分别为1514.667、1487.1276、1459.5882。其次，2016年高、中、低三个结果的相对贡献率为15%、10%、5%，则预测值分别为1608.7235、1538.779、1468.8345【8】。2.1.6 模型结果与分析表三 2014-2016各方案预测值年份低方案中方案高方案20141459.58821487.12761514.66720151867.2721945.0752022.87820161468.83451538.7791608.7235分析与结论在本底趋势线下，数据呈现比较稳定的增长，世博会的出现会使数据呈现出一个凸型峰，即表格中的2015年的数据，其与本底趋势线得到的数据的差值为世博会冲击下国外赴意大利游客的增长量（贡献量）。从事件发展的周期来看，从世博会前一年2014年开始已经显现出增长的势头，凸型峰持续了3年，到2016依然有所增加。以中方案为例，2015年客流量贡献量为389.015 万人次。3.结束语世博盛典一直就像“磁铁”一般吸引着来自各个国家的旅游，上海世博会的成功举办，使得越来越多的研究人员的关注点转向了庆典对举办地旅游业发展的影响。这样的研究也是有其明确的意义与作用可以为当地政府和管理机构提供信息以做好必要准备工作，也可以为以后庆典做提供经验。本文主要用的方法来源于旅游学，与旅游研究中的市场客流量预测时间序列法的数据拟合在真正意义上一致；而且研究的分析过程中，使用了众多模型比较相关系数的方法来确定最佳的方程，实质上与传统的组合预测方法也是如出一辙，但总体还是比较合理的【9】。在世博会庆典的影响下，世博会期间及前一年与后一年都显示出增长状况，客流量呈现出凸型峰。本文得到的结果有1.在自然状况下的得到的2014、2015、2016年中国首站赴意大利旅游人数达到59.11、63.9205、68.005。以高方案得到的2014、2015、2016的预测值分别为1514.667、2022.878、1608.7235；以中方案得到的2014、2015、2016的预测值分别为1487.1276、1945.075、1538.779；以低方案得到的2014、2015、2016的预测值分别为1495.5882、1867.272、1468.8345。2. 在自然状况下的得到的2014、2015、2016年国外游客赴意大利旅游人数达到59.11、63.9205、68.005。以高方案得到的2014、2015、2016的预测值分别为65.02、76.7046、78.20575；以中方案得到的2014、2015、2016的预测值分别为63.8388、79.9006、74.8055；以低方案得到的2014、2015、2016的预测值分别为62.6566、83.09665、71.40525。致谢参考文献[1] Brent W. Ritchie. Chaos, crises and disasters: A strategic approach to crisis management in the tourism industry[J]. Tourism Management, 2004, 25(6):699-683.[2] Boorstin D. Image: A Guide to Pseudo-Events in America[M]. New York: Harper and Row, 1961(Reprinted in 1992)(Booklist):94-111[3] Roche M. Mega-events and Modernity: Olympics and Expos in the Growth of Global Culture[M]. London: Routledge,2000:276-277.[4] Khan H. Asian contagion: impact on Singapore tourism[J]. Annals of Tourism Research,2001,28(1): 224-226.[5] Huang J H, Min CH J. Earthquake devastation and recovery in tourism: the Taiwan Case[J].Tourism Management,2002,23(2):145-154.[6] Goodrich. J N. September 11,2001 attack on America: a record of the immediate impacts and reactions in the USA travel and tourism industry[J]. Tourism Management,2003,7(23):573-580. [7] 李峰, 孙根年. 基于本底线（TBL）的旅游危机研究:以2003年SARS为例[J]. 人文地理,2006,21(4):105-112.[8] 孙根年, 马丽君. 基于本底线的2008年北京奥运会客流量预测[J]. 地理研究,2008,27(1):65-74.[9] 孙根年, 舒静静, 马丽君, 等. 五大危机事件对美国出入境旅游的影响:基于本底线模型的高分辨率分析[J]. 地理科学进展,2010,29(8):987-996.[10] 戴光全, 保继刚. 昆明世博会效应的定量估算:本底趋势线模型[J]. 地理科学,2007,27(3):42-46.[11] 孙根年. 我国6大境外客源市场旅游本底趋势线的建立及其科学意义[J]. 河南大学学报:自然科学版,1998,28(4):64-70.附录Asubplot(1,2,1); x=1:6; y=[18.30 22.01 27.18 38.12 43.33 47.80]; fun=inline(beta(1)+beta(2)*x+beta(3)*exp(beta(4)*x),beta,x); beta=nlinfit(x,y,fun,[1 10 10 1]) g=beta(1)+beta(2)*x+beta(3)*exp(beta(4)*x); plot(x,y,O,x,g,k) legend(统计量,本底线) ylabel(万人次) xlabel(年份) title(直线——指数复合模型) subplot(1,2,2); x=1:6; y=[18.30 22.01 27.18 38.12 43.33 47.80]; fun=inline(beta(1)+beta(2)*x+beta(3)*ones(1,6)./(1+exp(beta(4)-beta(5)*x)),beta,x); beta=nlinfit(x,y,fun,[10 10 20 30 0]) g=beta(1)+beta(2)*x+beta(3)*ones(1,6)./(1+exp(beta(4)-beta(5)*x)); plot(x,y,O,x,g,K) legend(统计量,本底线) ylabel(万人次) xlabel(年份) title(直线——逻辑线复合模型) figure;subplot(1,2,1); x=1:6; y=[18.30 22.01 27.18 38.12 43.33 47.80]; fun=inline(beta(1)+beta(2)*x+beta(3)*sin(beta(4)*x+beta(5)),beta,x); beta=nlinfit(x,y,fun,[500 100 900 100 100]) g=beta(1)+beta(2)*x+beta(3)*sin(beta(4)*x+beta(5)); plot(x,y,O,x,g,k) legend(统计量,本底线) ylabel(万人次) xlabel(年份) title(直线——正弦线复合模型) subplot(1,2,2); y=[18.30 22.01 27.18 38.12 43.33 47.80]; fun=inline(beta(1)*exp(beta(2)*x)+beta(3)*ones(1,6)./(1+exp(beta(4)-beta(5)*x)),beta,x); beta=nlinfit(x,y,fun,[500 1 10 100 100]) g=beta(1)*exp(beta(2)*x)+beta(3)*ones(1,6)./(1+exp(beta(4)-beta(5)*x)); plot(x,y,O,x,g,k) legend(统计量,本底线) ylabel(万人次) xlabel(年份) title(指数——逻辑线复合模型) figure;subplot(1,2,1); x=1:6; y=[18.30 22.01 27.18 38.12 43.33 47.80]; fun=inline(beta(1)*exp(beta(2)*x)+beta(3)*sin(beta(4)*x+beta(5)),beta,x); beta=nlinfit(x,y,fun,[50 1 100 100 500]) g=beta(1)*exp(beta(2)*x)+beta(3)*sin(beta(4)*x+beta(5)); plot(x,y,O,x,g,k) legend(统计量,本底线) ylabel(万人次) xlabel(年份) title(指数——正弦线复合模型) subplot(1,2,2); x=1:6; y=[18.30 22.01 27.18 38.12 43.33 47.80]; fun=inline(beta(1)*ones(1,6)./(1+exp(beta(2)-beta(3)*x))+beta(4)*sin(beta(5)*x+beta(6)),beta,x); beta=nlinfit(x,y,fun,[10 10 20 30 10 20]) g=beta(1)*ones(1,6)./(1+exp(beta(2)-beta(3)*x))+beta(4)*sin(beta(5)*x+beta(6)); plot(x,y,O,x,g,K) legend(统计量,本底线) ylabel(万人次) xlabel(年份) title(逻辑线——正弦线复合模型)附录Bsubplot(1,2,1); x=1:6; y=[978.678 1011.237 1063.678 1127.78 1194.23 1279.88]; fun=inline(beta(1)+beta(2)*x+beta(3)*exp(beta(4)*x),beta,x); beta=nlinfit(x,y,fun,[1 10 10 1]) g=beta(1)+beta(2)*x+beta(3)*exp(beta(4)*x); plot(x,y,O,x,g,k) legend(统计量,本底线) ylabel(万人次) xlabel(年份) title(直线——指数复合模型) subplot(1,2,2); x=1:6; y=[978.678 1011.237 1063.678 1127.78 1194.23 1279.88]; fun=inline(beta(1)+beta(2)*x+beta(3)*ones(1,6)./(1+exp(beta(4)-beta(5)*x)),beta,x); beta=nlinfit(x,y,fun,[10 10 20 30 0]) g=beta(1)+beta(2)*x+beta(3)*ones(1,6)./(1+exp(beta(4)-beta(5)*x)); plot(x,y,O,x,g,K) legend(统计量,本底线) ylabel(万人次) xlabel(年份) title(直线——逻辑线复合模型) figure; subplot(1,2,1); x=1:6; y=[978.678 1011.237 1063.678 1127.78 1194.23 1279.88]; fun=inline(beta(1)+beta(2)*x+beta(3)*sin(beta(4)*x+beta(5)),beta,x); beta=nlinfit(x,y,fun,[500 100 900 100 100]) g=beta(1)+beta(2)*x+beta(3)*sin(beta(4)*x+beta(5)); plot(x,y,O,x,g,k) legend(统计量,本底线) ylabel(万人次) xlabel(年份) title(直线——正弦线复合模型) subplot(1,2,2); y=[978.678 1011.237 1063.678 1127.78 1194.23 1279.88]; fun=inline(beta(1)*exp(beta(2)*x)+beta(3)*ones(1,6)./(1+exp(beta(4)-beta(5)*x)),beta,x); beta=nlinfit(x,y,fun,[500 1 10 100 100]) g=beta(1)*exp(beta(2)*x)+beta(3)*ones(1,6)./(1+exp(beta(4)-beta(5)*x)); plot(x,y,O,x,g,k) legend(统计量,本底线) ylabel(万人次) xlabel(年份) title(指数——逻辑线复合模型) figure; subplot(1,2,1); x=1:6; y=[978.678 1011.237 1063.678 1127.78 1194.23 1279.88]; fun=inline(beta(1)*exp(beta(2)*x)+beta(3)*sin(beta(4)*x+beta(5)),beta,x); beta=nlinfit(x,y,fun,[50 1 100 100 500]) g=beta(1)*exp(beta(2)*x)+beta(3)*sin(beta(4)*x+beta(5)); plot(x,y,O,x,g,k) legend(统计量,本底线) ylabel(万人次) xlabel(年份) title(指数——正弦线复合模型) subplot(1,2,2); x=1:6; y=[978.678 1011.237 1063.678 1127.78 1194.23 1279.88]; fun=inline(beta(1)*ones(1,6)./(1+exp(beta(2)-beta(3)*x))+beta(4)*sin(beta(5)*x+beta(6)),beta,x); beta=nlinfit(x,y,fun,[10 10 20 30 10 20]) g=beta(1)*ones(1,6)./(1+exp(beta(2)-beta(3)*x))+beta(4)*sin(beta(5)*x+beta(6)); plot(x,y,O,x,g,K) legend(统计量,本底线) ylabel(万人次) xlabel(年份) title(逻辑线——正弦线复合模型)
目录
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/1809.html
