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

　　關鍵詞：旅游論文投稿,入境旅游人數,中短期預測,TRAMO/SEATS模型

　　1.研究文獻與方法簡述

　　傳統的的時間序列的外推技術雖然簡便易行，也能達到較好的精度要求，但一般來說模型缺少理論基礎。為此，基于隨機理論的各種隨機時間序列模型被廣泛應用經濟預測之中，其中以ARMA類為主流。傳統的ARMA模型也稱為B-J方法，是尋求最小方差意義下的最優預測，也是一種精度較高的時序短期預測方法，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隨機過程。對于包含趨勢性或季節性的非平穩時間序列，須經過適當的逐期差分及季節差分消除趨勢影響后，再對形成的新的平穩序列建立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性，則可表示為SARIMA(p，d，q)(P，D，Q)s模型(亦稱乘積季節ARIMA模型)，式中，d，D分別為逐期差分和季節差分的階數，p，q分別為自回歸和移動平均的階數，P，Q分別為季節自回歸和季節移動平均的階數(馮文權，2008)。二次世界大戰以來，隨著電子計算機的廣泛使用及計算速度的大幅度提高，經濟時間序列季節性調整的技術及方法得到了快速發展和普遍應用，人們在ARMA模型基礎上，又開發了諸如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開發的TRAMO/SEATS方法，美國統計署商業部由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調整(數據預處理)，然后將結果傳遞給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、循環因素、季節因素和不規則因素4個部分，與X12-ARIMA模型相比，主觀判斷成分較少，對數據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計了季節調整程序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據進行初步調整;另一個是SEATS程序，它主要通過ARIMA時間序列模型對數據進行信號榨取。

　　在經濟預測領域，TRAMO/SEATS方法的使用頻率很高。在旅游預測領域，近年來我國學者成功地運用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、地震等突發事件對中國旅游業的影響;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并進行預測比較研究等。作為一種有效短期預測技術，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實證分析

　　根據附表一的2005-2012年的月入境人數樣本數據，運用Eviews5軟件，得到2013年1-12月北京市入境旅游人次環比增長率的預測值，以此計算2013年1-12月北京市入境旅游人次預測值見表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)等指標度量，其中最廣泛的MAPE稱為平均相對誤差，用來評價預測模型的平均準確性，計算公式如下：

　　這里 是模型的預測值， 是實際值，n是預測期數。一般來說， 是高精度預測; 是好的預測; 屬可行的預測;而 是不準確的預測。運用MAPE來檢驗上述預測的精確度，結果如表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月入境旅游人次預測的MAPE達到12.455%，模型預測能力達到優良，能夠較好地為北京市入境旅游的經營決策提供良好的數據預測依據。

　　但是觀察2005-2012年首都月入境旅游人次的原始數據圖形可以看出，2008年和2009年首都月入境旅游人次的數量和變動趨勢與其他年度相比有顯著差異。造成此現象的原因可能是2007年底的金融危機導致旅游人次明顯減少。為消除重大事件的影響，這里需要對原始數據進行局部修勻：先將2008年每月北京市入境旅游人次的數據用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據用上面替代后的2008年和2010年每月北京市入境旅游人次的平均值代替。經過調整后，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、季節變化特征更加突出。

　　圖2.1 數據調整后2005-2012年首都月入境游人次走勢圖

　　(縱坐標單位：人次;橫坐標單位：年)

　　同樣，運用Eviews5軟件，對處理后的樣本數據做TRAMO/SEATS模型預測，得到2013年1-12月北京市入境旅游人次環比增長率的預測，以此計算2013年1-12月北京市入境旅游人次預測，結果見表2.3、表2.4。

　　表2.3 數據調整后2013年1-12月模型擬合值與實際值的比較

　　表2.4 數據調整后模型精度MAPE值

　　數據經過調整后，模型預測能力加強，MAPE達到9.77%，預測能力極佳。

　　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據中的信息，對于首都月度入境旅游人次的預測有相當好的預測效果。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整，以達到精度更高。

　　3.結論

　　TRAMO/SEATS方法對于北京市短期入境旅游人次的預測有相當好的預測效果，能夠為北京市入境旅游的短期經營策略提供良好的預測數據;為進一步把握北京市入境旅游市場的發展規律以及北京市旅游管理的決策制定和旅游企業的短期戰略、策略的制定提供一定的理論和現實依據;為抓好新一輪改革機遇，更好地發揮首都優勢，充分發揮旅游業在首都經濟結構轉型中的龍頭帶動作用提供一些幫助。