摘要：本文运用在经济金融领域使用广泛的方法―TRAMO/SEATS方法对北京入境旅游人数开展短期预测研究。作为欧盟各国统计局主要统计方法，TRAMO/SEATS模型由于能有效提取时间序列数据中的信息，不仅预测精度高，而且稳定，能够最大程度地反映旅游业季节性波动的特点。实证分析表明，TRAMO/SEATS模型在北京入境旅游人次的短期预测方面预测能力极佳，能够为北京市入境旅游的短期经营策略提供良好的预测数据。
关键词：旅游论文投稿,入境旅游人数,中短期预测,TRAMO/SEATS模型
1.研究文献与方法简述
传统的的时间序列的外推技术虽然简便易行，也能达到较好的精度要求，但一般来说模型缺少理论基础。为此，基于随机理论的各种随机时间序列模型被广泛应用经济预测之中，其中以ARMA类为主流。传统的ARMA模型也称为B-J方法，是寻求最小方差意义下的最优预测，也是一种精度较高的时序短期预测方法，包括AR(p)、MA(q)和ARMA(p，q)模型等。运用ARMA模型的前提条件是时间序列为零均值的平稳随机过程。对于包含趋势性或季节性的非平稳时间序列，须经过适当的逐期差分及季节差分消除趋势影响后，再对形成的新的平稳序列建立ARMA (p，q)模型进行分析。对于只包含趋势性的原序列，可表示为ARIMA(p，d，q)模型(求和自回归移动平均模型)，若原序列同时包含趋势性和季节性，则可表示为SARIMA(p，d，q)(P，D，Q)s模型(亦称乘积季节ARIMA模型)，式中，d，D分别为逐期差分和季节差分的阶数，p，q分别为自回归和移动平均的阶数，P，Q分别为季节自回归和季节移动平均的阶数(冯文权，2008)。二次世界大战以来，随着电子计算机的广泛使用及计算速度的大幅度提高，经济时间序列季节性调整的技术及方法得到了快速发展和普遍应用，人们在ARMA模型基础上，又开发了诸如ARFIMA、X-11、X12-ARIMA、TRAMO/SEATS等模型。
目前，最流行的自回归移动平均类方法有西班牙银行Agustin Maravall开发的TRAMO/SEATS方法，美国统计署商业部由Julius Shiskin及其合作者研究的X-11方法及其最新升级X-12-ARIMA等。1994年Gomez和Maravall将通常用来估计与预测具有ARIMA噪声、缺失观测值及外部影响的TRAMO(Time Series Regression with ARIMA Noise，Missing Observations and Outlier)合并形成一个两方程的ARIMA方法，首先用TRAMO过程对时间序列进行预调整(数据预处理)，然后将结果传递给SEATS(Signal Extraction in ARIMA Time Series，是基于ARIMA模型的时间序列分解方法)过程，用SEATS将时间序列分解为趋势因素、循环因素、季节因素和不规则因素4个部分，与X12-ARIMA模型相比，主观判断成分较少，对数据处理人员的要求降低，便于普及(雷平，施祖麟，2008).Gomez，Maravall(1996)成功地利用信号榨取理论设计了季节调整程序TRAMO/SEATS。这个程序由两个子程序组成，其中一个叫TRAMO程序，主要通过一个包括ARIMA扰动过程、遗失观测值以及异常点的自回归时间序列模型对数据进行初步调整;另一个是SEATS程序，它主要通过ARIMA时间序列模型对数据进行信号榨取。
在经济预测领域，TRAMO/SEATS方法的使用频率很高。在旅游预测领域，近年来我国学者成功地运用TRAMO/SEATS模型，也取得了一定成效。例如朱明芳、刘思敏(2007)使用TRAMO/SEATS方法评估危机事件，如疾病、地震等突发事件对中国旅游业的影响;雷平、施祖麟(2008)利用包括TRAMO/SEATS方法的7种方法估计我国入境旅游人次的月度指数并进行预测比较研究等。作为一种有效短期预测技术，目前在首都旅游市场的运用还处于空白。这里用TRAMO/SEATS方法对北京市短期入境旅游人次进行预测实证分析，取得满意效果。
2.基于TRAMO/SEATS方法的北京入境旅游人数实证分析
根据附表一的2005-2012年的月入境人数样本数据，运用Eviews5软件，得到2013年1-12月北京市入境旅游人次环比增长率的预测值，以此计算2013年1-12月北京市入境旅游人次预测值见表2.1。
表2.1 TRAMO/SEATS模型拟合值与实际值对比表
模型的预测能力一般用MAPE(平均绝对百分比误差)、RMSE(均方根误差)和RMSPE(均方根百分比误差)等指标度量，其中最广泛的MAPE称为平均相对误差，用来评价预测模型的平均准确性，计算公式如下：
这里 是模型的预测值， 是实际值，n是预测期数。一般来说， 是高精度预测; 是好的预测; 属可行的预测;而 是不准确的预测。运用MAPE来检验上述预测的精确度，结果如表2.2。
表2.2 TRAMO/SEATS模型精度MAPE值
可以看出，对北京市2013年1-12月入境旅游人次预测的MAPE达到12.455%，模型预测能力达到优良，能够较好地为北京市入境旅游的经营决策提供良好的数据预测依据。
但是观察2005-2012年首都月入境旅游人次的原始数据图形可以看出，2008年和2009年首都月入境旅游人次的数量和变动趋势与其他年度相比有显著差异。造成此现象的原因可能是2007年底的金融危机导致旅游人次明显减少。为消除重大事件的影响，这里需要对原始数据进行局部修匀：先将2008年每月北京市入境旅游人次的数据用2007年与2010年每月北京市入境旅游人次的平均值替代，然后将2009年每月北京市入境旅游人次的数据用上面替代后的2008年和2010年每月北京市入境旅游人次的平均值代替。经过调整后，2005年-2012年北京市每月入境旅游人次的线图如下面图2.1所示，时间序列增长平稳、季节变化特征更加突出。
图2.1 数据调整后2005-2012年首都月入境游人次走势图
(纵坐标单位：人次;横坐标单位：年)
同样，运用Eviews5软件，对处理后的样本数据做TRAMO/SEATS模型预测，得到2013年1-12月北京市入境旅游人次环比增长率的预测，以此计算2013年1-12月北京市入境旅游人次预测，结果见表2.3、表2.4。
表2.3 数据调整后2013年1-12月模型拟合值与实际值的比较
表2.4 数据调整后模型精度MAPE值
数据经过调整后，模型预测能力加强，MAPE达到9.77%，预测能力极佳。
上述研究表明，采用冲击自动检测的TRAMO/SEATS方法由于能有效提取时间序列数据中的信息，对于首都月度入境旅游人次的预测有相当好的预测效果。但是在处理过程中，也需要注意对重大事件造成的样本奇异点的调整，以达到精度更高。
3.结论
TRAMO/SEATS方法对于北京市短期入境旅游人次的预测有相当好的预测效果，能够为北京市入境旅游的短期经营策略提供良好的预测数据;为进一步把握北京市入境旅游市场的发展规律以及北京市旅游管理的决策制定和旅游企业的短期战略、策略的制定提供一定的理论和现实依据;为抓好新一轮改革机遇，更好地发挥首都优势，充分发挥旅游业在首都经济结构转型中的龙头带动作用提供一些帮助。
