袁林旺　俞肇元　黃震方　顧秋實

[摘要]本文以江蘇鹽城麋鹿生態(tài)旅游區(qū)為例，采用TRAMO／SEATS模型和小波分析方法進(jìn)行了游客序列的季節(jié)調(diào)整和多尺度分解。表明景區(qū)游客增長以2003年為界分為兩段，后期游客數(shù)量明顯上升但增速變緩，短期內(nèi)的異常變化主要受控于景區(qū)政策調(diào)整及經(jīng)營策略變化。基于分解組分建立的CART模型揭示了多尺度作用過程，在景區(qū)發(fā)展初期，游客數(shù)量的小幅波動對趨勢影響明顯，而相對穩(wěn)定的客源市場形成后，游客變動對趨勢影響變小，更多體現(xiàn)于不同尺度波動的耦合作用。

[關(guān)鍵詞]游客變動；季節(jié)調(diào)整；鹽城麋鹿生態(tài)旅游區(qū)

[中圖分類號]F59

[文獻(xiàn)標(biāo)識碼]A

[文章編號]1002—5006(2009)07—0027一07

旅游流是游客及其相關(guān)和伴生要素在空間區(qū)域內(nèi)的遷移現(xiàn)象，其形成不僅與旅游資源條件有關(guān)，而且與社會經(jīng)濟(jì)發(fā)展水平、文化和政治聯(lián)系及空間距離密切相關(guān)。對旅游流變化規(guī)律的深入分析，有助于揭示旅游系統(tǒng)內(nèi)部各要素間相互作用的關(guān)系。本文主要研究狹義的旅游流——游客流。景區(qū)游客人數(shù)及其變化規(guī)律是旅游區(qū)的開發(fā)、經(jīng)營、管理和效益分析的起點，也是制定旅游業(yè)發(fā)展規(guī)劃、確定客源市場、制定對外宣傳策略的重要依據(jù)。旅游流在時間變化上具有多尺度性，現(xiàn)有的研究主要集中于客流變化特征和預(yù)測等方面。游客數(shù)量的變化受景點類型、區(qū)位、生命周期等因素影響，特別是受季節(jié)要素變化及異常事件影響，游客數(shù)量往往表現(xiàn)出明顯的異常變化。目前基于歷史序列的分析往往忽略了隱含在數(shù)據(jù)中多尺度變化規(guī)律及異常處理，這導(dǎo)致了對游客變化內(nèi)在規(guī)律認(rèn)識上的不足以及預(yù)測上的困難。本文基于鹽城麋鹿生態(tài)旅游區(qū)1998—2005年間游客月際變化數(shù)據(jù)，綜合運(yùn)用TRAMO／SEATS季節(jié)調(diào)整方法和小波分析以及CART方法對游客序列進(jìn)行分析，探討了旅游區(qū)游客序列的變化特征及其作用過程。

1研究思路與研究方法

1.1研究思路

游客時間序列包含了一些基本的、潛在的模式和隨機(jī)波動，受旅游區(qū)的自然條件、資源條件、區(qū)位和社會經(jīng)濟(jì)條件等確定性因素的影響，游客數(shù)量一般表現(xiàn)為整體趨勢性和周期性變化。隨機(jī)性因素則反映了政策、經(jīng)營策略以及特殊事件(如“非典”)等的影響，其規(guī)律性不甚明顯，但其對旅游區(qū)的影響不可忽略。對游客觀測序列的深入剖析，一是構(gòu)成分析，即對序列中的長期趨勢、季節(jié)變化、循環(huán)變化和不規(guī)則變化組分進(jìn)行分解，以獲得不同尺度的作用模式；二是序列分析，以理解旅游區(qū)游客波動的內(nèi)在規(guī)律，進(jìn)而開展預(yù)測研究。

1.2研究方法

1.2.1TRAMO／SEATS方法

TRAMo／SEATS方法是以ARIMA模型為基礎(chǔ)，使用信號提取技術(shù)進(jìn)行季節(jié)性調(diào)整時間序列的方法。其中TRAMO(Time series Regression withARLMA noise，Missing observation，and Outliers)為具有ARIMA噪聲、缺失值和異常值的時間序列回歸法，而SEATS(Signal Extraction in ARIMA TimeSeries)為ARIMA時間序列的信號提取法。這兩個程序往往聯(lián)合使用，TRAMO用于數(shù)據(jù)的預(yù)處理，而SEATS將序列分解出趨勢、周期、季節(jié)以及不規(guī)則等因素。其優(yōu)勢在于它可以設(shè)定回歸變量，引入自己設(shè)定的回歸因子，從而解決一些特定的季節(jié)因素(如中國日期不確定的春節(jié)或放長假等)的影響，是應(yīng)用最廣泛的時間序列調(diào)整方法之一。

1.2.2小波分析方法

小波分析(Wavelet Analysis)是近年來發(fā)展的時間序列分析的新方法，可對信號進(jìn)行時頻域再現(xiàn)和多尺度多分辨率分析。傳統(tǒng)的傅立葉變換只能獲得信號整體的、單層次的和單分辨率的認(rèn)識。小波變換的基本思想與傅立葉變換類似，但它既可以分析信號的概貌，又可分析其細(xì)節(jié)。其優(yōu)勢在于它能夠揭示信號的層次特征及尺度行為，即可在預(yù)先定義的尺度上對原始信號進(jìn)行多尺度濾波。小波變換可以有效地提取非線性和非平穩(wěn)時間序列在不同尺度上的變動規(guī)律和異常特征，已被廣泛運(yùn)用于突變檢測、特征提取、信號去噪和信號壓縮等多個領(lǐng)域。

1.2.3分類回歸樹

分類回歸樹(Classification and Regression Tree，CART)是以遞推分解原理為基礎(chǔ)的選擇變量和變量值的強(qiáng)有力的非參數(shù)技術(shù)，可自動探測出高度復(fù)雜資料的潛在結(jié)構(gòu)、重要模式和作用關(guān)系，并可用來構(gòu)造精確和可靠的預(yù)測模型。分類回歸樹算法分為樹生長和樹剪枝兩個部分，從包括所有訓(xùn)練數(shù)據(jù)的根節(jié)點開始，通過窮盡搜索尋找最小化分類誤差的分割點，產(chǎn)生分割點后，根節(jié)點相應(yīng)地被分為兩個子節(jié)點，繼續(xù)對兩個子節(jié)點實施同樣的劃分過程，直至某一個子節(jié)點的劃分誤差減小到小于某一確定值。實際應(yīng)用中期望建立用少量的節(jié)點即能夠解釋數(shù)據(jù)的簡單模型，即決策樹簡單、緊湊。

2游客序列多尺度分解及對應(yīng)關(guān)系

2.1游客序列的多尺度分解

分別利用歐洲統(tǒng)計署開發(fā)的Demetra和Matlab軟件對鹽城游客數(shù)據(jù)進(jìn)行季節(jié)調(diào)整和離散小波分解。由于短期內(nèi)季節(jié)組分一般不隨趨勢變化而變化，季節(jié)調(diào)整的基礎(chǔ)模型選擇加法模型。季節(jié)調(diào)整時僅選擇工作日的影響，并增加了“五一”和“十一”兩個黃金周作為回歸因子對數(shù)據(jù)進(jìn)行預(yù)調(diào)整。離散小波分解的小波基采用雙正交小波db15，分解層數(shù)為5層。兩者分解獲得的各組分序列與原始序列對比見圖1a、1b。兩種方法均能較好地從原始序列中分離出趨勢、周期和不規(guī)則組分，但在曲線形態(tài)上表現(xiàn)出一定的差異，這與兩種方法數(shù)學(xué)背景不同有關(guān)。

2.2多尺度對應(yīng)關(guān)系分析

除趨勢組分外，TRAMO／SEATS與小波分解分別獲得了3個和5個組分(周期與隨機(jī)波動)，表明季節(jié)調(diào)整注重整體平均狀態(tài)的揭示，而小波分解則更注重不同時間尺度上游客變動的局部特征，適合于不同階段驅(qū)動因素對游客變動規(guī)律的影響分析。兩種方法在年周期尺度及不規(guī)則組分間存在較好的對應(yīng)關(guān)系(圖2)。TRAMO／SEATS所提取的兩個周期組分(T2，T3)均可與小波分解獲得的D2組分進(jìn)行對比，大致反映了年周期的變化，相關(guān)系數(shù)分別為0.67和0.53。兩者的和序列(T2+T3)與D2間表現(xiàn)出良好的對應(yīng)關(guān)系，相關(guān)系數(shù)達(dá)到了0.93。由于D2包含了所有細(xì)節(jié)波動組分能量的49.34％(占總體能量的2.60％)，因此可以認(rèn)為D2是麋鹿景區(qū)游客年際尺度變動的主導(dǎo)模式。

將季節(jié)調(diào)整年周期組分和序列與D2序列相減所獲得的殘差序列與D3同樣表現(xiàn)出較好的對應(yīng)關(guān)系(相關(guān)系數(shù)為0.53)。而該殘差序列與D3的差序列與D1間相關(guān)系數(shù)為0.49，但與季節(jié)調(diào)整獲得的不規(guī)則組分間相關(guān)系數(shù)則為-0.24。這可能與季節(jié)調(diào)整獲得的不規(guī)則組分存在極端異常值有關(guān)。季節(jié)

調(diào)整獲得的周期組分與D2、D3組分之和間的差異可能由隨機(jī)噪聲所引起的。

3游客序列的多尺度波動特征分析

游客變動分析指從調(diào)查獲得的數(shù)據(jù)中發(fā)掘游客增長的固有模式，包括游客增長的長期趨勢、游客變動的周期分析以及游客數(shù)變化的異常分析等。

3.1景區(qū)游客變動的長期趨勢分析

季節(jié)調(diào)整和小波分解提取的景區(qū)游客數(shù)序列的長期趨勢分量對比見圖3。季節(jié)調(diào)整提取的趨勢以2003年為界劃分為兩段，2003年前景區(qū)游客呈較高速增長狀況，年均游客增長率在2000人，月左右。2003年后整體基數(shù)明顯抬升，但游客增長率降為1000人／月左右。從TRAMO／SEATS方法在預(yù)調(diào)整時對原始序列線性擬合趨勢看，1998—2005年間多年平均游客增長率在1600人／月左右。小波分解提取趨勢則表現(xiàn)為非線性趨勢，其中，A5與預(yù)調(diào)整序列提取的平均趨勢較為接近，該組分能量占總體能量分布的94.73％。在D4、D5均反映出2003年前后存在顯著的周期轉(zhuǎn)型(圖1)。將D4、D5與A5相加獲得的和序列整體上與季節(jié)調(diào)整的分段趨勢相接近，但存在一些局部性波動。

景區(qū)游客數(shù)的趨勢變化反映了景區(qū)建設(shè)與游客之間的雙向影響。從季節(jié)調(diào)整和線性擬合的趨勢項間的對比看，景區(qū)發(fā)展初期，游客數(shù)呈現(xiàn)較強(qiáng)烈的線性增長，2001年后，游客數(shù)達(dá)到一個相對較高的水平，而景區(qū)由于自身投資不足以及相關(guān)配套設(shè)施更新不夠，使得其對游客的吸引力較之以前有所下降。2003年后，由于景區(qū)開設(shè)了一系列游客互動類旅游項目，并加大投入改善景區(qū)的服務(wù)水平和基礎(chǔ)設(shè)施水平，使得2003年后景區(qū)游客有較大的增長，并直接導(dǎo)致趨勢項以2003年為界分為兩段。從2003年游客的增長率下降來看，景區(qū)仍需在基礎(chǔ)設(shè)施建設(shè)、宣傳策略等方面加大力度。

3.2景區(qū)游客變動的周期分析

景區(qū)游客的周期分析有助于揭示景區(qū)游客在時間上的波動規(guī)律。從季節(jié)調(diào)整獲得的年周期波動看(圖4)，除7月、8月、12月4個月游客數(shù)相對明顯偏低外，其他月份游客數(shù)相對較為平均。7月、8月的低值與氣溫有關(guān)，12月份的低值則可能與其處于元旦及春節(jié)長假之前出游需求不強(qiáng)烈有關(guān)。由于麋鹿景區(qū)主要以露天觀賞為主，此種變化不僅反映了景區(qū)受季節(jié)因素影響造成的游客周期性變化，同時也在一定程度上反映了景區(qū)的服務(wù)和基礎(chǔ)設(shè)施建設(shè)的不足，以及對暑期市場開發(fā)的重視不夠。

小波分解的D2組分顯示年周期波動可劃分為3個階段，1998年到2000年，該階段處于景區(qū)運(yùn)營的起步階段，游客總數(shù)相對較少，周期波動的振幅也相對較小。2000年到2003年，該階段游客數(shù)量表現(xiàn)為波動上升。2003年到2005年間，游客表現(xiàn)出更大幅度的波動，這與景區(qū)政策調(diào)整有關(guān)。上述階段性變化在季節(jié)調(diào)整的12組分中也有反映，但差異不甚明顯。T2組分中在2005年7月、8月間表現(xiàn)出明顯低值。與景區(qū)管理人員溝通表明，這一劇烈變動主要受景區(qū)內(nèi)部決策和管理方向的調(diào)整的影響。而2000年11月、2001年9月以及2004年7月3個游客高峰的出現(xiàn)，均由于景區(qū)增加了游客活動類旅游項目，從而增加了景區(qū)對游客的吸引力。

3.3景區(qū)游客變動的不規(guī)則組分和異常事件分析

游客序列的不規(guī)則組分可揭示突發(fā)事件或隨機(jī)因素造成的游客變化情況。TRAMO／SEATS方法根據(jù)統(tǒng)計特性的不同，將序列異常點劃分為LS、AO及代型3類。LS型表示水平持久變化的異常點，一般代表機(jī)制性的突變；AO型表示單個跳躍點，一般不具有重現(xiàn)性，主要由隨機(jī)因素引起。TC型表示對后繼序列有一定的影響，但最終會回到原始值，一般由具有一定影響力特殊事件所導(dǎo)致。本文以序列的2倍標(biāo)準(zhǔn)差(SD)為基準(zhǔn)，分析了D1組分T1組分中可能存在的異常(圖5)，并進(jìn)行了對比分析。

從圖5可知，季節(jié)調(diào)整的T1組分存在2001年7月、2002年11月和2005年6月3個異常點。時間間隔分別是16個月和31個月，功率譜分析顯示不存在這兩個周期組分，因此可以認(rèn)為3個異常點均為突變性異常點。根據(jù)TRAMO／SEATS對異常的判定結(jié)果也表明3個異常點均為AO型。此外，TRAMO／SEATS還顯示2003年1月是一個具有長期影響的突變點(LS型)，這與前文景區(qū)游客增長趨勢的階段性變化相對應(yīng)。可見，季節(jié)調(diào)整所識別出的不同類型的異常點，有助于從機(jī)制層面分析其原因及作用方式?；谛〔―1組分提取的異常看，在2002年11月和2005年6月兩個異常的相鄰月份也表現(xiàn)為異常，這可能與小波分解過程有關(guān)。而2000年9月和2000年12月在季節(jié)調(diào)整中未得到反映，其原因有待進(jìn)一步研究。

從上述兩種方法對不規(guī)則組分及異常的分析看，TRAMO／SEATS根據(jù)統(tǒng)計特征將異常進(jìn)行分類，一定程度上更有助于判斷異常產(chǎn)生的驅(qū)動機(jī)制及其影響程度的大小。而小波分解的方法更注重局部信息的再現(xiàn)。從功率譜的對比看，小波分解的頻率界限非常明顯，而季節(jié)調(diào)整獲得的不規(guī)則組分更接近于白噪聲的功率譜。就簡單性和準(zhǔn)確性而言，TRAMO／SEATS不失為一種有效的異常提取與判別方法。

4游客序列多尺度作用過程分析

4.1基于組分的CART模型建立

CART通過對自變量進(jìn)行層次性的劃分和歸類以揭示因變量與自變量間的統(tǒng)計關(guān)系，各因變量自上而下的層次關(guān)系可從統(tǒng)計層面上反映各自變量對因變量的作用過程。分別以季節(jié)調(diào)整和小波分解獲取的各組分為自變量，以原始游客序列為因變量建立5層CART模型，計算了模型擬合序列與原始序列的對比及各組分相對重要性(圖6a，6b)?？芍?，2001年前，季節(jié)調(diào)整分解序列建立的CART模型擬合效果更佳，2001年后，小波分解組分建立的CART對波動和異常擬合效果更佳。這可能與季節(jié)調(diào)整注重整體平均的序列組分，而小波則更注重于波動的局部特性有關(guān)。就因子的相對重要性而言，CART的結(jié)果與前文分析相一致。

4.2CART模型揭示的作用過程

基于季節(jié)調(diào)整與小波分解結(jié)果所建立的CART在形式上具有一致性，文中僅以季節(jié)調(diào)整獲取的CART(圖7)分析多尺度的作用過程。自根節(jié)點起，以T4(趨勢)是否大于13392為界(2002年12月至2003年1月間)分為左右兩枝，與前文趨勢的分段相一致。

左枝據(jù)T4是否大于7008為界(2000年10月)劃分為兩枝，此分界點反映了T2、T3問的相互作用的不同，此前T2和T3大致呈反相位，其主要作用變量為T3、T4，而此后呈正相位，表明2000年lO月到2003年1月間，主導(dǎo)的作用變量為12、T3。該分界點在小波分解組分中也有較好的體現(xiàn)。表明在景區(qū)發(fā)展初期，游客基數(shù)較小，游客數(shù)量的小幅波動就可能影響到景區(qū)游客整體的趨勢性變化。

右枝中T2>4108的節(jié)點分別對應(yīng)于2005年5月、9月和10月3個異常月份。對于T2~<4108的節(jié)點，往下再以T1(不規(guī)則變動)為基準(zhǔn)進(jìn)行劃分。表明2003年后，游客序列趨勢變化基本穩(wěn)定，周期波動幅度也相對較小，序列受異常影響明顯。此時景區(qū)發(fā)展到一定的規(guī)模，形成了相對穩(wěn)定的客源市場后，游客變動一般不直接反映于趨勢變動，而是體現(xiàn)于不同周期波動的耦合作用中。小波分解的結(jié)果也表明該段異常在D1、D2尺度影響明顯，而在更大大尺度上影響甚微。

5結(jié)論與討論

游客人數(shù)是衡量旅游區(qū)發(fā)展水平的重要指標(biāo)之一。旅游區(qū)的發(fā)展受到諸多確定性和隨機(jī)性因素的共同作用，表現(xiàn)為游客序列數(shù)據(jù)變動一般較大、類型復(fù)雜且噪聲和異常較多。通過厘定游客序列中長期趨勢、周期波動和不規(guī)則變化組分等不同尺度的作用模式，有助于理解旅游區(qū)游客波動的內(nèi)在規(guī)律及其影響要素。

運(yùn)用TRAMO／SEATS模型與小波分析方法對麇鹿生態(tài)旅游區(qū)1998—2005年游客序列進(jìn)行了多尺度分解，季節(jié)調(diào)整獲取的周期變動更注重整體平均狀態(tài)的揭示，而小波分解的多尺度組分則更注重在不同時間尺度上游客變動的局部特征?？傮w上，游客增長以2003年為界劃分兩段，后期游客數(shù)量明顯上升，但游客增長速率變緩。在國際尺度的變化上，7月、8月和12月游客數(shù)量相對較低，這不僅反映了景區(qū)受自然規(guī)律(氣溫等)和特定季節(jié)因素(節(jié)日分布)影響造成的游客周期性的變化，也表明景區(qū)在服務(wù)、基礎(chǔ)設(shè)施和暑期營銷策略上仍有待提高。從突變和異?？?，游客數(shù)量短期內(nèi)異常變化主要受控于景區(qū)政策調(diào)整以及經(jīng)營策略變化的影響。

通過建立CART模型，揭示了各分解組分對游客序列的作用過程。CART中各分界點所揭示的不同階段的變化特征，與景區(qū)游客變化過程之間存在較好的對應(yīng)關(guān)系。即在景區(qū)發(fā)展初期，游客基數(shù)較小的階段，游客數(shù)量的小幅波動就可能作用于游客變化的趨勢分量。而當(dāng)景區(qū)發(fā)展到一定階段，形成了相對穩(wěn)定的客源市場后，游客變動對趨勢的影響變小，更多體現(xiàn)于不同周期波動的耦合作用。這種作用尺度上的差異，對于深入分析景區(qū)經(jīng)營策略評價、規(guī)劃等具有重要的意義。

具有不同數(shù)學(xué)背景的方法的綜合應(yīng)用與對比，有助于更好地揭示旅游系統(tǒng)演化的過程與趨勢，以及景區(qū)經(jīng)營決策對景區(qū)游客數(shù)量的影響，從而可為減小經(jīng)營風(fēng)險、以及景區(qū)未來的決策提供可靠的依據(jù)。今后應(yīng)在游客序列分析的基礎(chǔ)上，強(qiáng)化預(yù)測模型及優(yōu)化調(diào)控對策等方面的研究，從而在追求游客總量增長和經(jīng)濟(jì)效益提升的同時，強(qiáng)化旅游資源和生態(tài)環(huán)境的保護(hù)與優(yōu)化。

[參考文獻(xiàn)]

[1]章錦河，張捷，李娜，等，中國國內(nèi)旅游流空間場效應(yīng)分析[J]，

地理研究，2005，24(2)：293—302

[3]唐順鐵，郭來喜，旅游流體系研究[J]，旅游學(xué)刊，1998，13(3)：

[4]吳必虎，中國旅游研究14年[J]，旅游學(xué)刊，2001，16(1)：17—

21

[5]張捷，周寅康，都金康，等觀光旅游地客流時間分布特性的比

較研究[J]，地理科學(xué)，1999，19(1)：49—54

[6]陸林，宣國富，章錦河，等，海濱型與山岳型旅游的客流季節(jié)性

比較——以山亞、北海、普陀山、黃山、九華山為例[J]地理學(xué)

報，2002，57(6)：73l一740

[7 涂建軍四川省入境旅游客流時空動態(tài)模式研究[J]長江流

域資源與環(huán)境，2004，(4)：338—342，

[8]丁正山，南京國內(nèi)旅游流時空演變研究[J]，旅游學(xué)刊，2004，

19(2)：38—44

[9]朱迎波，葛全勝，魏小安，等，sARs對中國人境旅游人數(shù)影響

的研究[J]，地理研究，2003，22(5)：55l一559

[12]保繼剛，引力模型在游客預(yù)測中的應(yīng)用[J]，中山大學(xué)學(xué)報(自

然科學(xué)版)，1992，3l(4)：133－136

[13]嚴(yán)汾，蒙吉軍，Logistic增長模型在游客流量預(yù)測中的應(yīng)用——

以貴州省綏陽縣為例[J]人文地理，2005，20(4)：87—91

[14]孫根年，馬麗君，基于本底線的2008年北京奧運(yùn)會客流量預(yù)

測[J]地理研究，2008，27(1)：65—74

[15]黃震方，袁林旺，俞肇元，鹽城麋鹿生態(tài)旅游區(qū)游客變化特征

及預(yù)測[J]，地理學(xué)報，2007，62(12)：1277—1286

[16]孫玉環(huán)，中國入境旅游外匯收入季節(jié)調(diào)整實證分析[J]旅游

學(xué)刊，2006，21(7)：29—33