z6尊龙·中国网站：利用多因素分析预测旅游业复苏——以疫情后的中国出境旅游为例
2026-01-03 13:38
突发公共卫生事件对旅游业需求的影响及多因素预测模型研究。提出整合经济、政策、行为偏好等多维因素的旅游恢复系数，构建筛选变量与模型的复合预测框架，通过20国/地区的实证分析验证了模型在疫情冲击下的预测鲁棒性和准确性，为后危机时期旅游战略规划提供动态决策工具。
鉴于“黑天鹅”事件的突发性和不可预测性，这些事件会导致旅游业出现剧烈波动，因此准确预测游客数量至关重要。本研究开发了一种结合多因素建模的方法来应对这一挑战。由于影响旅游业的因素复杂多样，包括经济、政策和行为偏好，尤其是疫情，因此提出了一种创新的旅游恢复系数。此外，通过z6尊龙官方平台筛选变量和模型，构建了一个综合预测框架来考虑各种相关性和变化。实证结果表明，该方法对旅游需求的影响因素进行了系统分析，并提高了预测准确性，为政策制定者提供了灵活的旅游预测工具，强调了在危机后旅游预测中整合变量和调整机制的重要性。
由于旅游业对当地GDP的显著影响，它已成为许多国家的战略性支柱产业（Fotiadis, Polyzos, & Huan, 2021）。尽管旅游业在促进社会生产发展中发挥着重要作用，但其可持续性本质上与外部和内部因素密切相关，如全球经济、政治稳定、自然灾害和疾病爆发（Liu, Vici, Ramos, Giannoni, & Blake, 2021）。特别是像突如其来的风暴一样，全球疫情对旅游业产生了前所未有的影响。根据相关统计数据，在疫情期间，全球旅游业收入大幅下降，许多旅游企业面临生存危机。例如，2020年全球旅游业损失了1.3万亿美元（联合国世界旅游组织，2020年）。与2019年相比，2021年和2022年的国际游客总数分别减少了72%和63%（联合国世界旅游组织，2023年）。自2023年以来，全球旅游业逐渐恢复正常，这为人们重新探索世界和促进全球经济复苏带来了更多机会。
这场危机暴露了旅游业在环境和社会方面的脆弱性，促使人们重新审视旅游业的发展模式。在中国，旅游业长期以来一直是全球最大的出境游客来源之一，其旅游业的恢复对全球旅游业至关重要。因此，为了更好地理解旅游业的恢复趋势并帮助消费者做出旅行决策，准确预测2023年之后的旅游恢复数据至关重要。这将有助于旅游业的战略规划和中国出境市场的复苏。在过去几年中，许多研究人员开发了各种方法和模型来减少误差并提高旅游预测的精确度和稳定性（吴等，2021；李、郭、王、王、吴，2025）。此外，一项系统评价表明，用于分析和预测旅游需求的方法更加多样化，包括整合定性和定量预测方法、进行旅游周期和季节性分析以及进行事件影响评估和风险预测（宋和李，2008）。此后，将大数据纳入旅游和酒店业预测中提高了预测准确性，最近的一项综述对这些发展进行了批判性总结，确定了关键的研究趋势（吴、钟、吴、宋，2025）。尽管有这些宝贵的贡献，现有研究尚未充分捕捉到市场异质性、疫情冲击以及不同目的地的恢复动态。
本研究旨在通过开发一个综合考虑20个国家和地区数据异质性的综合框架，推进对出境旅游预测的理解。它展示了所提出的预测模型的高准确性，证明了其在捕捉现实世界旅游动态方面的稳健性。此外，还提出了一种创新的恢复系数，以反映疫情期间的市场恢复速度。基于上述讨论，本研究提出了四个研究问题：（1）所提出的模型如何在保持预测准确性和跨市场泛化能力的同时有效应对疫情等突发冲击？（2）影响游客数量的主要因素是什么？（3）如何根据不同国家和地区的特点匹配不同的预测模型以实现最佳预测？（4）疫情旅游恢复系数在疫情期间和之后如何调整游客数量？
本文的其余部分安排如下：下一节将回顾相关文献。然后，“方法”部分简要描述了变量和模型的筛选过程。此外，为了说明预测效率，介绍了恢复系数。“结果与讨论”部分讨论了点预测和区间预测的结果，最后，本文提出了结论。
值得注意的是，公共卫生危机对旅游业产生了复杂且持久的影响。特别是COVID-19疫情通过多种渠道对全球旅游业造成了结构性损害，如限制跨境流动、改变消费习惯和扰乱旅游供应链（张、宋、文、刘，2021）。杨、张和陈（2020）提出了一个动态随机一般均衡模型来研究这一问题
本节重点介绍旅游需求预测的建模策略。首先，参考相关文献确定了影响变量及其来源。然后，筛选了22个模型以明确不同的适用情况。随后引入了疫情旅游恢复系数，将无疫情情况下的预测值与实际值进行比较，以获得恢复率。此外，进行了点预测和区间预测，旨在
在多维度变量和模型筛选的基础上，本节通过实证分析展示了20个国家/地区预测模型的不同表现；计算了2018年8月至2019年7月预测期间的MASE作为标准化评估指标（邱等，2021）。表A.9展示了以下特征。
在此，区间预测有效地量化了不确定性，并涵盖了潜在风险的范围。使用Winkler分数对中国游客2023年8月至2024年7月20个目的地的区间预测进行了多维度横向比较分析（表3、表A.12和图4）。
就总体误差而言，根据平均Winkler分数，20个目的地被分为三个层次。由于游客数量较少且
本研究将多维度因素综合到一个差异化的建模框架中，该框架应用了22种预测方法，涵盖了20个国家和地区，包括经济发展、文化背景、交通便利性、政策环境和季节性。该研究超越了传统统计方法的局限性，解决了数据异质性和复杂影响因素带来的挑战。
