劉聰 楊陽 鄧洋陽

摘?要：景區(qū)客流量預測是以百度指數(shù)與景區(qū)客流量的內在聯(lián)系為基礎。本研究以四川九寨溝景區(qū)日接待客流量和百度指數(shù)的相關數(shù)據(jù)為基礎，利用EG兩步法結合誤差修正模型分析了百度指數(shù)與景區(qū)客流量的長期和短期關系，并對模型的預測效果進行了評價。得出如下結論：百度指數(shù)與景區(qū)客流量之間存在長期均衡關系;長期范圍內的百度指數(shù)與景區(qū)客流量之間的數(shù)量關系受時間因素的影響;誤差修正機制在發(fā)生作用，會將偏離長期均衡的客流量拉回正常值;模型整體預測效果良好。

關鍵詞：百度指數(shù);景區(qū)客流量;EG兩步法;誤差修正模型

中圖分類號：F590.654文獻標識碼：A文章編號：1008-4428（2019）06-0067-02

一、 引言

一般只有節(jié)假日才能供給遠途旅游所需要的時間，這是我國的國民大多選擇節(jié)假日出游的主要原因。過于集中的出行時間造成景區(qū)客流量迅速增加，這會對地方和景區(qū)造成很大的管理壓力，增加游客的安全風險。例如2014年12月31日的上海外灘的擁擠踩踏事件和2013年10月2日的四川九寨溝景區(qū)游客滯留事件。如果能夠提前預知景區(qū)的客流量，景區(qū)可以有充足的準備時間，通過合理調配資源的方式，將資源供給到最需要的地方，提高資源的使用效率。

預測景區(qū)客流量的方法有很多，時間序列分析是一種常用的方法。這種方法對于數(shù)據(jù)有較高的要求，它主要來源于官方的統(tǒng)計數(shù)據(jù)。官方數(shù)據(jù)已經(jīng)無法滿足現(xiàn)代預測對數(shù)據(jù)時效性的要求。近十年，有很多學者用百度指數(shù)替代傳統(tǒng)的官方數(shù)據(jù)用于預測景區(qū)客流量，主要是百度指數(shù)是日統(tǒng)計數(shù)據(jù)，并且具有容易獲取、客觀性等特征。這些研究在提出預測模型之前，都實證了百度指數(shù)與景區(qū)客流量的長期均衡關系。研究結論也非常統(tǒng)一，認為長期范圍內同等百度指數(shù)增加導致的景區(qū)客流變化量相等。從極限的思維來考慮，百度指數(shù)依托于通信設備的使用，早期的游客沒有通信設備，而現(xiàn)在游客帶有通信設備的比例也在變化，所以從發(fā)展的角度來看百度指數(shù)與景區(qū)客流量之間的長期關系不可能是固定不變的。

基于此，本文以2016年1月至2016年12月四川九寨溝景區(qū)的日接待游客量數(shù)據(jù)和關鍵詞“九寨溝”的百度指數(shù)數(shù)據(jù)為基礎，利用EG兩步法，結合誤差修正模型討論百度指數(shù)與景區(qū)客流量之間的動態(tài)關系，利用模型進行預測，并評價預測效果，期望能為景區(qū)客流量的預測提供工具。

二、 數(shù)據(jù)來源和研究方法

本研究選取四川九寨溝景區(qū)作為樣本，時間區(qū)間為2016年1月至2016年12月，景區(qū)日接待游客量數(shù)據(jù)來源于九寨溝官方網(wǎng)站。關鍵詞“九寨溝”的檢索指數(shù)來源于百度指數(shù)的官方網(wǎng)站，數(shù)據(jù)采集使用到第三方工具。為了減少異方差，研究對客流量和指數(shù)數(shù)據(jù)取對數(shù)。IT表示取對數(shù)后的景區(qū)客流量，ID表示取對數(shù)后的百度指數(shù)。

EG兩步法是用于檢驗兩個變量之間長期均衡關系的一種方法。它要求時間序列滿足平穩(wěn)性，并且兩個變量為同階單整。協(xié)整關系的存在還要求變量回歸結果的殘差也滿足穩(wěn)定性要求。誤差修正模型是將協(xié)整方程的殘差作為自變量帶入差分方程中，討論的是協(xié)整關系作為一個外部因素是如何影響因變量，以及短期內的自變量變化如何影響因變量。

三、 實證分析

（一）單位根檢驗

EG兩步法需要變量滿足同階單整。ADF是常用的單位根檢驗方法。表1是百度指數(shù)和九寨溝景區(qū)客流量的單位根檢驗結果。檢驗結果顯示兩個變量的水平檢驗均未通過5%顯著性水平，無法拒絕單位根假設。但是，兩個變量的一階差分均通過1%顯著性水平檢驗，能夠拒絕存在單位根的假設。檢驗結果顯示百度指數(shù)和景區(qū)客流量的數(shù)據(jù)符合EG兩步法對數(shù)據(jù)同階單整的要求。

（二）協(xié)整分析

協(xié)整關系存在的條件是回歸結果的殘差滿足穩(wěn)定性條件。研究將百度指數(shù)對九寨溝景區(qū)客流量和趨勢項進行了回歸。比較是否加入趨勢項，結果顯示加入趨勢項能夠顯著提升方程的解釋能力。殘差的ADF檢驗值等于-4.044，小于樣本數(shù)超過100的1%顯著性水平的臨界值-3.90。因此，回歸結果的殘差通過穩(wěn)定性檢驗，說明百度指數(shù)與九寨溝景區(qū)客流量之間存在包含趨勢項和常數(shù)項的長期均衡關系，均衡方程見表達式1。小括號內為標準差，中括號內為P值。

回歸方程顯示百度指數(shù)與景區(qū)客流量之間存在長期均衡關系。自變量、趨勢項和常數(shù)項的檢驗結果均顯示其在1%顯著性水平顯著?；貧w方程包含趨勢項說明長期內的百度指數(shù)與景區(qū)客流量的關系會受到時間因素的影響。最初的時候，百度指數(shù)增加導致景區(qū)客流量增加1.875%。隨著日期的后移，百度指數(shù)變化導致景區(qū)客流變化量逐漸下降。這種變化趨勢非常緩慢，約為每日0.00317%。

（三）誤差修正模型

本研究將協(xié)整方程的殘差作為自變量和百度指數(shù)的一階差分及其滯后項對一階差分的九寨溝景區(qū)客流量做普通最小二乘法回歸。關于滯后項的選擇，參考的是AIC準則，AIC值越小說明模型越優(yōu)。具體誤差修正模型的參數(shù)估計和顯著性檢驗結果見表達式（2）。同樣，小括號內為標準差，中括號內為P值。DI表示一階差分后的對數(shù)化百度指數(shù)，TI表示一階差分后的對數(shù)化景區(qū)客流量。

表達式（2）中ECM表示誤差修正項，它的系數(shù)通過了1%顯著性水平的T檢驗，說明長期均衡也對短期的景區(qū)客流量變化產(chǎn)生作用。誤差修正項的參數(shù)估計值為負，說明誤差修正機制在持續(xù)發(fā)生作用，即當景區(qū)客流量偏離協(xié)整方程長期均衡值的時候，誤差修正機制會將其拉回到正常值，其強度約為0.189?；貧w方程還包含兩個百度指數(shù)的一階差分滯后項，并且這兩個滯后項均通過了5%顯著性水平的T檢驗，說明短期內的百度指數(shù)變化也會對景區(qū)客流量造成影響。DI（-2）的系數(shù)為正，說明滯后兩期的百度指數(shù)增加1%會造成當期的景區(qū)客流量增加約0.364%。滯后七階的一階差分項顯著為負，說明百度指數(shù)的上升會造成七期后的景區(qū)客流量下降0.453%。

綜上所述，百度指數(shù)與景區(qū)客流量之間存在長期均衡關系。這種均衡關系會對短期內景區(qū)客流量的偏離進行修正。另外，短期內的百度指數(shù)變化也會對景區(qū)客流量產(chǎn)生影響。這種影響表現(xiàn)為對滯后兩期客流量的拉高和滯后七期客流量的拉低。

（四）預測效果評價

利用構建的誤差修正模型，本研究對2016年1月1日至2016年12月31日的九寨溝景區(qū)日接待游客量進行了靜態(tài)預測。預測結果見圖1。預測的均方根誤差等于3294.542，泰爾不等式系數(shù)等于0.099。分解泰爾系數(shù)，得到預測值與真實值的偏差比只有0.006，預測值與實際值波動比只有0.002，模型整體預測效果良好。

四、 研究結論

本研究以四川九寨溝景區(qū)2016年1月1日至2016年12月31日的日接待游客量和關鍵詞“九寨溝”的百度指數(shù)統(tǒng)計數(shù)據(jù)為基礎，通過EG兩步法驗證了兩者之間的長期均衡關系，并構建和估計了相應的長期均衡模型，利用誤差修正模型討論了協(xié)整關系和短期內的百度指數(shù)變化如何影響景區(qū)客流量。得出如下結論：

（一）百度指數(shù)與景區(qū)客流量之間存在長期均衡關系

長期范圍內，百度指數(shù)的變化會引起景區(qū)客流量的變化。但是，這種量化的關系并不穩(wěn)定，它會受到時間因素的影響。早期，百度指數(shù)變化會引起較大幅度的景區(qū)客流量上升，但是隨著時間的推移，相同百度指數(shù)變化引發(fā)的景區(qū)客流量變化幅度大幅下降。

（二）長期均衡對偏離誤差的修正作用和往期百度指數(shù)的變化能夠部分解釋景區(qū)客流量的短期波動

誤差修正機制一直在發(fā)揮作用，當景區(qū)客流量偏離長期均衡的時候，誤差修正機制會將其拉回均衡值。短期內的百度指數(shù)上升會造成兩天后的景區(qū)客流量增加和七天后的景區(qū)客流量減少。

（三）預測結果顯示模型具有良好的預測效果

本研究通過均方根誤差和泰爾系數(shù)評價了模型的預測效果。泰爾指數(shù)的分解指標顯示模型的預測結果與真實值的偏差非常小，并且波動情況也比較相似。對預測結果的分析能夠得出該模型能夠較好地完成對九寨溝景區(qū)日接待游客量的預測任務的結論。

本研究存在一些不足：只選取了四川九寨溝景區(qū)作為研究樣本，缺乏足夠的對比樣本來驗證研究結論的正確性。未來的研究將集中于進一步探討百度指數(shù)對景區(qū)客流量的動態(tài)影響，以進一步提升模型預測效果。

參考文獻：

[1]孫燁， 張宏磊， 劉培學，等. 基于旅游者網(wǎng)絡關注度的旅游景區(qū)日游客量預測研究——以不同客戶端百度指數(shù)為例[J]. 人文地理， 2017（3）：152-160.

[2]何一夫. 基于百度指數(shù)的旅游景區(qū)游客量預測研究——對黃先開模型的改進[J]. 重慶與世界（學術版）， 2016（12）：54-55.

[3]先開，張麗峰，丁于思.百度指數(shù)與旅游景區(qū)游客量的關系及預測研究——以北京故宮為例[J].旅游學刊，2013，28（11）：93-100.

[4]鄭玉蓮，陸林，趙海溶.蕪湖方特網(wǎng)絡關注度分布特征及與客流量關系研究——以PC端和移動端百度指數(shù)為例[J].資源開發(fā)與市場，2018，34（9）：1315-1320.

作者簡介：

劉聰，男，江蘇如皋人，碩士，南通理工學院商學院助教，研究方向：旅游信息系統(tǒng);

楊陽，女，江蘇南通人，南通理工學院商學院學生，研究方向：企業(yè)競爭情報;

鄧洋陽，男，江蘇南通人，南通理工學院商學院學生，研究方向：旅游管理。