基于ARIMA与GARCH模型对我国国际入境旅游需求波动的研究，本文主要内容关键词为：模型论文,需求论文,我国论文,旅游论文,国际论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一、前言
随着改革开放的不断深入，中国已迈入旅游大国行列。旅游业的健康可持续发展，对于促进中国产业结构调整，推动区域经济增长，增加就业机会，减轻贫困与贫富差距具有重大意义。
国际入境旅游市场是中国旅游业的重要组成部分。根据世界旅游组织的统计，2006年底我国入境过夜旅游者人数和外汇收入分列世界第4位和第5位，其收入占中国出口收入的5％，达到总服务贸易出口的40％以上。由于中国旅游业在资源和劳动力等方面的比较优势，入境旅游在我国服务贸易出口中具有举足轻重的地位。图1是1980年以来我国国际入境旅游人数及收入的增长率时间序列，从中可见中国入境旅游在近年来保持高速增长的同时，也受到国内外政治、经济等多种因素的影响而呈现出波动性。
图1 中国国际入境旅游人数增长率(a)以及国际入境旅游收入增长率(b)(1980-2006)
旅游需求波动的定量研究在我国尚未展开，为此，本文建立了单变量和多变量计量经济学模型对八个中国主要入境旅游客源国月度客流量及其增长率的水平与波动进行实证研究。结果表明，模型具有很好的适用性。各国旅游需求的波动具有短期或长期的持续性及不对称性。它们之间大多正向相关，存在互补关系。
二、数据及统计分析
本文的研究对象是八个我国主要国际旅游客源国客流量的月度资料，数据来源于各年度《中国旅游统计年鉴》。这些国家包括：日本(JP)、菲律宾(PH)、新加坡(SG)、泰国(TH)、俄罗斯(RU)、英国(UK)、美国(USA)以及澳大利亚(AU)。研究区间为1990年1月到2006年12月，每组均有204笔数据。绘图后从图中可以看出，上述8国来华入境旅游游客序列均呈现增长趋势以及季节性波动，最强的季节效应受气候变化的影响出现在每年二月及七月，表现为每年二月入境旅游人数最少，而七月最多；大多数序列受到2003年“非典”的影响而锐减。几乎所有亚洲国家(新加坡除外)来华入境旅游人数均受到1997年亚洲金融危机的影响而萎缩。苏联解体后，来自俄罗斯的游客在短期内呈现快速增长态势，之后受其国内政治经济形势的影响于1994年大幅回落。
表1列出各国序列的均值、最大最小值、峰态及偏态系数以及Jarque-Bera值7个基本统计量，其中最大最小值之间的差距最多超过60倍，这表明国际入境旅游增长迅速，同时大多数序列呈现左偏或右偏现象，不符合正态分布。
时间序列实证分析的一个重要前提是数据必须具有平稳性，否则会产生谬误回归等问题。因此，我们对各个序列进行PP单根检验来检验其稳定性，其结果参见表2第一列。各国月度入境旅游人数，除泰国外均无法拒绝原假设，这表明存在单根而不稳定。因此，我们将各国入境游客人数序列取自然对数和转换为增长率序列来进行估测。取自然对数后的序列以及增长率序列的单根检验结果，除澳大利亚外，均至少在90％的显著水平下拒绝原假设，这表明序列是稳定的，参见表2第二、第三列。
现有研究旅游需求的文献表明，时间序列ARIMA(p，q)模型具有很好的适用性。因此，本文采用该方法分别对各国来华入境客流量的自然对数值和增长率进行实证回归，模型的数学表达式分别为式(1)与式(2)：
根据AIC和BIC判断准则，我们尝试了不同的p、q值，结果表明ARIMA(1，1)模型是最优选择。采用最大似然法对上述模型进行回归的实证结果参见表3和表4。表3中，AR项回归系数均显著且接近于1，这表明各国来华游客具有很强的持续性；除日本外，MA项回归系数均显著，这表明以前各期旅游需求的冲击对现期的客流量有显著影响。表示季节效应的虚拟变量的回归系数大多显著，这表明各国游客序列存在很强的季节性。表4中，由于计算客流量增长率时对序列进行一阶差分，因此，除俄罗斯和美国外，大多数国家来华入境客流量的AR项回归系数不显著。除日本外，其余国家客流量序列的MA项回归系数和季节性效应均十分显著。
对此，绘图后由图可见，各国来华入境旅游客流量及其增长率的波动剧烈幅度有所不同，同时，均呈现出明显的波动聚集现象(volatility clustering)。受2003年“非典”的影响，几乎所有国家入境客流量均产生明显波动。此外，俄罗斯来华入境客流量的波动最剧烈，特别在1994年。新加坡、菲律宾以及英国的数据在20世纪90年代中早期有较大波动。日本和美国的序列则较为相似，相对其余国家较为稳定。
三、单变量国际旅游需求波动模型及实证结果分析
本文采用GARCH(1，1)与EGARCH(1，1)模型对线性和非线性时间趋势与季节性影响的各国来华入境旅游客流量的波动序列以及考虑季节效应的各国来华入境客流量增长率的波动序列进行实证研究。GARCH(1，1)模型的数学表达式为：
该模型系数无非负限制，γ的不同取值反应了正负冲击对序列波动的不同影响。当γ=0，说明正向冲击(好消息)以及负向冲击(坏消息)产生同样效果的波动；当0＜γ＜1时，说明坏消息比好消息引起更大的波动；当γ＜-1时，说明坏消息加剧了序列的波动，而好消息降低了序列波动。
实证结果参见表5和表6。除俄罗斯外，其余国家数据都符合模型的稳定条件，且大多数回归系数显著，这证明GARCH与EGARCH模型可以很好地模拟各国游客序列的时间波动。对客流量波动的回归结果表明，菲律宾来华入境客流量的波动持续时期较短；相反，随机冲击并没有令美国来华客流量立即波动，效果在几个月之后才逐渐显现；其他国家客流量的波动同时存在短期和长期的持续性。对客流量增长率回归可以得到类似结果。EGARCH模型回归结果表明，正负冲击令澳大利亚、日本以及英国游客序列产生的波动有明显不对称性，不利消息与有利消息相比，产生更强波动。其他各国序列的波动呈现对称的特点。
四、多变量国际旅游需求波动模型及实证结果分析
相对于单变量GARCH模型，多变量CCCGARCH模型可以在研究各个序列条件波动的同时，对各序列间的条件相关性进行定量研究，从而发现它们的相互作用。多变量CCC-GARCH模型可分两个步骤来估计：首先对每个序列进行单变量GARCH模型回归，再将回归得到的残差项通过条件标准差转换为相关系数矩阵进行估计。
其中，R是样本的相关系数矩阵，
为n×n维对角阵，它的第i个对角线系数为单变量GARCH模型的条件标准差
。
表7列出了多变量CCC-GARCH模型的条件相关系数矩阵，其系数范围是-0.100-0.547。俄罗斯与泰国来华入境游客之间存在负向关系，其余国家客流量之间存在正向关系。英国与美国来华入境客流量间的相关性最强(0.547)，其次为美国与日本(0.447)。这表明我国多数客源国之间不存在替代性，而是同涨同跌的关系，大多数相关系数统计显著。值得注意的是，俄罗斯与其他国家的条件相关系数均不显著，该现象可能归因于俄罗斯客流量的独特性。在该国来华入境游客中，边境一日商贸旅游占了很大比例，故而与其他国家没有密切联系。
五、结论
总体而言，上述模型均有较好的适用性。ARIMA模型以及ARIMA模型的回归系数大多统计显著，各国客流量序列存在很强的季节性，其中一些国家的客流量序列随时间呈现出非线性增长。除俄罗斯外，其余国家数据均符合GARCH与EGARCH模型的稳定条件且统计显著。对旅游需求的随机冲击使菲律宾来华入境客流量产生短期波动，而令美国来华客流量产生延后波动：其他国家客流量的波动同时存在短期和长期的持续性。EGARCH模型回归结果表明，不利消息相较于有利消息令澳大利亚、日本以及英国游客序列产生更强波动。其他各国序列的波动呈现对称的特点。各国波动的相关系数范围在-0.100-0.547之间。除俄罗斯与泰国来华入境游客之间存在负向关系，其余国家客流量之间存在正向关系。英国与美国来华入境客流量间正向关系最强，这表明我国多数客源国之间不存在替代性，而是相互依赖的互补关系。