黄山风景区客流波动的多时间尺度特征分析.docx
- 文档编号:9404693
- 上传时间:2023-05-18
- 格式:DOCX
- 页数:11
- 大小:25.79KB
黄山风景区客流波动的多时间尺度特征分析.docx
《黄山风景区客流波动的多时间尺度特征分析.docx》由会员分享,可在线阅读,更多相关《黄山风景区客流波动的多时间尺度特征分析.docx(11页珍藏版)》请在冰点文库上搜索。
黄山风景区客流波动的多时间尺度特征分析
黄山风景区客流波动的多时间尺度特征分析
摘要:
基于黄山风景区1987年1月至2010年12月的月度客流数据,运用TRAMO/SEATS方法和小波分析方法分析了黄山风景区客流的季节性变化和多时间尺度特征,结果表明:
黄山风景区客流季节性变化显著,不仅存在月度波动性,而且季节性波动呈现年度变化性,客流淡季过长,淡季与平季、旺季落差过大是黄山风景区面临的经营难题;具有6个月、12个月、29个月和60个月不同时间尺度的周期变化,其中12个月的周期振荡最为明显,具有全域性;另外,6个月和12个月的时间特征尺度体现了黄山风景区客流由于季节性因素形成的年内季节性变化和年间的周期性变化,而29个月和60个月的时间特征尺度初步判断为由我国旅游业波动周期、景区外围区域经济周期和危机事件冲击影响共同作用所形成。
最后,本文提出了一些对应性策略。
关键词:
客流波动;多时间尺度;黄山风景区
景区旅游客流在气候、社会因素、景区知名度、外部交通、景区管理和偶发因素(骆培聪,张明锋,2010;陆林,1994;黄震方,等,2007;黄震方,等,2011;陆林,鲍捷,2010)等景区系统内外部要素共同作用下,在时间特征上呈现出强烈的波动性。
峰谷交错的客流波动形态一直是困扰景区管理者的经营难题,因此通过景区长时段客流数据的监测,分析其成长波动特征和规律,预测其规模和波动范围,对于景区制定平衡供需策略具有重要的指导作用。
目前国内外关于旅游客流时间特征方面的研究主要集中于大中尺度旅游地的客流预测(Shen,etal.,2011;Coshall,2009;Chan,etal.,2010;张郴,张捷,2011;陶伟,倪明,2010)、时空分布特征、动态模式及影响因素(刘泽华,等,2010a;涂建军,2004;牛亚菲,等,2005;卢松,等,2004;刘泽华,等,2010b)和局部时间段的客流变化(日、周、月、年及季节性变化)(骆培聪,张明锋,2010;陆林,1994;张捷,等,1999;余向洋,等,2013;汪德根,等,2004;陆林,等,2002)等方面;已有部分文献根据我国入境、国内旅游客流和旅游收入的年度数据进行了多周期分析(马丽君,等,2009;陈友龙,等,2005),其中颜磊等(2009)和袁林旺等(2009)利用月度数据分别对九寨沟和盐城麋鹿生态旅游区客流波动进行了多时间尺度分析。
总体来看,
(1)由于长时段月度数据获取难度大,所以使用景区客流长时段监测的月度数据进行系统性多时间尺度(包括季节性和年际波动)特征研究的成果相对较少;
(2)在季节性波动特征分析上,描述性统计方法(主要指标为平均值、变异系数、极差、客流集中指数、基尼系数等)在透视季节性的年内变化方面直观清晰,但缺少季节性的年际变化分析功能;(3)年际波动研究方面,主要利用月度、季度或年度数据,采用时间序列方法、模型拟合方法、波形分析方法、谱分析方法以及多方法综合探讨旅游客流的周期性和阶段性特征(余向洋,等,2012),相比较,小波分析方法在分析时间序列波动全貌和细节上存在相对优势(潘雅婧,等,2012)。
本文在上述研究基础上,利用黄山风景区1987~2010年共24年的客流月度数据,采用TRAMO/SEATS季节调整方法和小波方法,分析黄山风景区客流波动的季节性及其动态变化和多时间尺度特征,以期对景区的运营管理决策提供理论指导。
1研究区域概况及数据来源黄山风景区是享誉海内外的世界级风景名胜区,位于黄山市境内的黟县、休宁县、歙县以及黄山区、徽州区之间,山体南北长40km,东西宽30km,总面积约1200km2,核心景区面积160.6km2。
据黄山管委会统计,自1979年对外开放以来,客流量增长迅速,1979~2010年,共接待国内外游客3217.15万人,累计旅游收入114.89亿元,2010年接待游客251.83万人,旅游收入14.45亿元。
由于1987年以前的月度原始数据缺乏,因此,本文采用1987年1月~2010年12月的客流月度数据,数据由黄山管委会和黄山市旅游委员会共同提供,经笔者整理而成(见图1)。
2研究方法
2.1TRAMO/SEATS方法目前最先进的季节调整方法为TRAMO/SEATS方法与X12ARIMA方法,对于时间序列长度达12年的数据进行季节调整时,SEATS程序比X12具有更好的拟合效果(范维,等,2006),由于本文数据长度为24年,故采用TRAMO/SEATS分析季节性因素及其波动。
TRAMO(TimeseriesRegressionwithARIMAnoise,Missingobservation,andOutliers)为具有ARIMA噪声、缺失值和异常值的时间序列回归法,而SEATS(SignalExtractioninARIMATimeSeries)为ARIMA时间序列的信号提取法(Hillmer,Tiao,1982;Bell,Hillmer,1984)。
这两个程序往往联合起来使用,先用TRAMO对数据进行预处理,然后用SEATS将时间序列分解出趋势、周期、季节以及不规则等因素。
TRAMO/SEATS程序的优越性在于它可以灵活地设定回归变量,引入使用者自己设定的回归因子,这样基本可以解决其他的季节调整程序无法处理的一些特定的季节因素(如日期不确定的中国春节或长假等)的问题,操作上相对简单,并且较少主观判断成分。
2.2小波分析方法小波分析是一种信号的时间尺度调和分析方法,它在傅里叶变换的基础上引入窗口函数(小波函数),从而允许把时间序列分解为时间和频率的贡献(潘雅婧,等,2012),小波变换的基本思想与傅立叶变换类似,但它既可以分析信号的概貌,又可分析其细节。
其优势在于它能够揭示信号的层次特征及尺度行为,即可在预先定义的尺度上对原始信号进行多尺度滤波。
小波变换可以有效地提取非线性和非平稳时间序列在不同尺度上的变动规律和异常特征,已被广泛运用于突变检测、特征提取、信号去噪和信号压缩等多个领域(袁林旺,等,2009)。
本文采用复数形式的Morlet小波作为母小波函数,因为复数小波的实部和虚部的位相差为π/2,用复小波变换系数的模作为判别旅游客流数据中包含的各尺度周期性的大小及这些周期在时域中分布的判据,能够消除用实型小波变化系数作为判据时所产生的虚假震荡,使分析结果更准确。
因此,Morlet小波能够很好地对资料序列连续进行时域局部化分析(潘雅婧,等,2012)。
另外,可以通过小波方差图来反映不同时间尺度信息的波动变化情况。
对于离散时间序列,小波方差的计算公式为(刘宇峰,等,2012):
Var(a)=1n∑nb=1Wf(a,b)2
(1)式中,n为样本,Wf(a,b)为客流时间序列f(t)在位置b,尺度a上的小波系数。
小波方差随尺度a的变化过程,称为小波方差图。
小波方差某一尺度上的极值分别对应该尺度上的显著周期,当小波系数达到最大值时,小波函数的尺度与序列周期吻合得最好。
3黄山风景区客流的季节性波动特征利用欧洲统计署(Eurostat)开发的DEMETRA+软件,采用TRAMO/SEATS方法对黄山风景区旅游客流24年数据进行季节性分析。
首先对数据进行对数预处理,运用软件的自动识别功能,选取ARIMA(100)(011)模型为TRAMO基础模型,利用TRAMO过程对日历等影响(包括工作日、闰年和异常值)进行预调整。
然后通过SEATS过程将客流序列分解为趋势因素、循环因素、季节因素和不规则因素。
3.1季节性检验根据模型诊断结果,分析黄山风景区客流数据序列的季节性,其季节性检验数据见表1、表2和表3,从表中可以看出,在1%的水平下黄山风景区客流月度数据存在稳定季节性和可识别季节性,也就是说客流季节性波动显著,在月度上呈现出明显波动;另外,黄山风景区客流月度数据在5%水平下存在移动季节性,即季节性随着年度的变化而产生变化。
表1稳定季节性非参数检验KruskallWallis自由度概率水平检验结果244.7658110.00%在1%水平下证明存在季节性
表2可识别季节性检验平方和自由度均方F值月间117.55381110.6867119.0810残差24.76912760.0897总计142.32292870.4959检验结果在1%水平下证明存在季节性
表3移动季节性检验平方和自由度均方F值年度间8.2640230.35936.8499误差13.27092530.0525检验结果在5%水平下证明存在移动季节性
3.2季节性波动依据SEATS程序分解出的最终季节因素(图2a)并绘制月度季节和不规则因素图(图2b)。
结合图2a和图2b可以看出图2a中的横轴具有288个数据,只有通过图形的局部放大才能看清楚各个细部特征,但囿于篇幅所限,无法提供细部特征图。
图5同。
,黄山风景区近24年客流年内呈明显的“3峰3谷”形态,5月、8月、10月为波峰,1月、6月和9月为波谷,在2007年以前极峰值都在5月,随后极峰值转移到了10月,这与2008年取消“五一”黄金周有一定的关联。
因此,11月至次年3月为淡季,4月、6月和9月为平季,5月、7月、8月和10月为旺季。
黄山风景区客流存在的问题是淡季持续时间长,淡旺季波动幅度大,1987年月度季节因素极值比为51.1,尽管随着客流规模的扩大以及管理营销等方面的提升,淡旺季差距逐渐缩小,但在2010年月度季节因素极值比仍为6.1。
从24年时间段来看,随着客流规模扩大,黄山风景区客流季节性波动振幅呈现逐渐减弱的趋势,体现了移动季节性的存在。
从图2b中可以看出,季节性成分除1月、2月、3月上升以外,其余月份均呈下降或持平态势,尤其是5月下降幅度最大,5月、8月和10月3个峰值逐渐降低;3个峰值之比由1987年的100∶82∶65变为2010年的100∶104∶123,峰值逐渐拉平的同时,10月作为极峰的地位得到加强,并且7月和8月的暑期已经演化成相连的波峰。
尽管波谷值也在逐渐抬升,但11月至次年3月的波谷与平季、旺季的落差过大仍然是制约黄山风景区旅游发展的难题。
4黄山风景区客流波动的多时间尺度及其特征
4.1黄山风景区客流波动周期由于黄山风景区客流月度数据波动幅度大,24年的月度数据极值比高达222.9,因此本文采用对数处理方式降低波动幅度,另外文中客流数据为有限时间数据序列,在时间序列的两端可能会产生“边界效用”,为消除或减小序列开始点和结束点附近的边界效应,对其两端数据进行延伸,利用Matlab小波工具箱中的信号延伸(SignalExtension)功能,对客流数据两端进行对称性延伸,然后以复数形式的Morlet小波作为母小波函数进行小波变换,变换后去掉两端延伸数据的小波变换系数,保留原数据序列时段内的小波系数,计算并提取小波系数实部(见图3a)和小波系数模部平方(见图3b)2个重要变量,其中小波系数的实部表示不同特征时间尺度信号在不同时间的强弱和位相两方面的信息,小波系数模部平方相当于小波能量谱,从中可以分析不同周期的震荡能量。
图3a是对黄山风景区1987年1月~2010年12月的客流数据进行Morlet小波变换的小波系数实部等值线图,图中小波系数的正、负分别表示客流波动幅度,小波系数为零对应着突变点,等值线中心对应的时间尺度为客流变化的主周期。
从图3a中可以看出,黄山风景区月度客流波动主要存在12个月左右的特征时间尺度,其次是6个月左右的特征时间尺度,另外还存在29个~30个月和60个月左右的特征时间尺度,周期从大到小呈现嵌套结构。
图3b为小波模部平方等值线图,图中12个月左右波动周期能量最强,呈条状占据整个分析时段,其对整个客流时间序列的方差贡献最大;其次是6个月左右波动周期,波动能量同样影响整个分析时段;然后依次是29个~30个月和60个月左右的周期,前者波动能量影响的时域主要在2001年~2005年这个时段,后者波动能量影响的主要时域在1987年~1996年和2001年~2007年两个时段。
为了进一步分析黄山风景区客流数据的波动周期性,利用前文的公式
(1)计算客流波动的小波方差,并绘制小波方差图(见图4),该图反映了波动能量随时间尺度的分布情况,可以显示时间序列中各种时间尺度(周期)及其强弱(能量大小)随尺度的变化特征,方差曲线极值处所对应的时间尺度为该序列的主要尺度,即时间序列中起主要作用的周期。
从图4中可以看出,存在1个明显峰值,即12个月,另外还有6个月、29个月和60个月的极值(由于峰值过大,图中极值显现不突出)。
这与前面小波等值线图分析出的结果是基本一致的,说明黄山风景区客流存在6个月、12个月、29个月和60个月左右的波动周期。
4.2黄山风景区客流多时间尺度特征运用Morlet小波函数对黄山风景区客流数据进行子波变换,提取出6个月、12个月以及29个月和60个月不同尺度下的小波系数实部(见图5),分析不同特征时间尺度的波动变化特征。
图5a为6个月和12个月尺度的小波系数实部图,反映了这两个时间特征尺度小波系数的变化过程。
从图中可以看出二者的波动幅度逐渐降低,其中6个月尺度的波峰基本落在每年的5月和10月(少量落在4月和11月),波谷则落在每年的2月和7月(部分位于1月和8月),主要体现了黄山风景区客流存在每年5月和10月两大峰值。
12个月尺度的波谷均位于每年的2月(少量位于1月),波峰位于每年的8月,充分反映了黄山风景区客流年内淡旺季的周期变化(淡季中心位于2月,旺季中心位于8月)。
总体上看来,6个月和12个月两个时间特征尺度主要体现了黄山风景区客流由于季节性因素形成的年内季节性变化和年间的周期性变化。
图5b为29个月(约为2.4年)和60个月(5年)尺度的小波系数实部图。
从29个月尺度的波动变化过程图中可以看出,根据振幅大小,黄山风景区客流24年间先后经历1987年1月~1989年10月剧烈波动、1989年11月~2001年6月平稳波动、2001年7月~2005年3月剧烈波动阶段和2005年3月~2010年8月平稳波动4个阶段,剧烈波动阶段恰好对应于“2003SARS”等危机事件。
从波动周期来看,共经历了11个波动周期,周期长度约2.4年,这与陈友龙等(2005)得出的我国旅游业存在2年~2.67年波动主周期的研究结论具有一致性。
但由于这种短周期波动形成原因复杂(陈友龙,等,2005),黄山风景区客流波动在29个月尺度上有多达22个突变点,以及我国旅游业发展相关的月度数据缺乏导致难以将黄山风景区的客流波动与我国旅游业的波动进行对应性分析,因此初步判断黄山风景区客流波动的29个月周期可能是由于我国旅游业的波动周期和外部冲击事件所引起。
从60个月时间特征尺度上来看,黄山风景区24年间的客流波动经历了6个正位相和5个负位相。
5个负位相按深度从大到小依次为2002年3月~2004年8月、1988年5月~1990年11月、1993年7月~1996年1月、2007年1月~2009年6月和1998年1月~1999年9月,并且对应于“2003SARS”“94千岛湖事件”“2008金融危机”“98亚洲金融危机”等危机事件,充分表明60个月的时间特征尺度的形成与危机事件的影响关系密切。
从周期长度来看,60个月的时间特征尺度与我国5年~6年的区域经济周期长度(石林松,等,2011)具有一致性,同时与改革开放以来安徽省经济波动周期的平均2.4年的扩张期(波谷到波峰之间的横向距离)、3.2年的收缩期(波峰到波谷的横向距离)(陈乐一,等,2012)具有相似性。
因此可以说60个月的时间特征尺度与外围区域的经济周期和外部冲击影响密切相关。
5结论及对策分析 5.1研究结论本文采用TRAMO/SEATS方法和小波方法分析了黄山风景区24年的月度客流数据的季节性和多时间尺度波动特征,并初步探讨了波动的形成机制,主要研究结论如下。
(1)黄山风景区客流季节性变化显著,不仅存在月度波动性,而且季节性波动呈现年度变化性;24年间其季节性因素波动振幅呈减弱趋势,波动形态仍然表现为“3峰3谷”型,波峰在逐渐拉平的同时,10月已经取代5月的极峰位置,其中7月和8月已经演化为相连的波峰,波谷有所抬升,但2010年月度季节因素极值比仍为6.1。
总体看来,黄山风景区客流淡季过长,并且淡季与平季、旺季落差过大是黄山风景区面临的经营难题。
(2)黄山风景区客流24年间存在6个月、12个月、29个月和60个月的时间特征尺度,其中12个月的周期振荡最为明显,具有全域性,贯穿整个分析时段。
(3)黄山风景区客流具有多时间尺度特征。
在29个月时间尺度上,黄山风景区客流24年间经历了4个波动阶段;在60个月时间尺度上,黄山风景区客流经历了6个正位相和5个负位相(详见前文)。
(4)综合季节性和小波分析表明,黄山风景区客流波动的6个月和12个月的时间特征尺度体现了黄山风景区客流由于季节性因素形成的年内季节性变化和年间的周期性变化。
而29个月和60个月的时间特征尺度初步判断为由于我国旅游业波动周期、景区外围区域经济周期和危机事件冲击影响共同作用所形成。
5.2对策分析
(1)完善客流统计体系,利用长时段的监测数据,有效预测客流规模和波动性。
黄山风景区自从1994年就开始采取加大冬季营销等反季节波动措施,季节性波动幅度有所缓解,但客流淡季过长,淡季与平季、旺季落差过大的局面依然存在,表明了山岳型自然景区存在季节性是难以改变的事实。
因此,在运营管理上,利用长时段的监测数据,采取事前预测和适时预测模式,进行适应性管理,从而避免客流大幅波动带来的种种负面影响,提高管理效率。
(2)强化智慧旅游服务系统建设。
黄山风景区的智慧景区建设在全国处于领先地位,已经建立了以信息网络、数据库和空间信息技术平台为支撑,融合资源保护、旅游服务、经营管理、安全防范和持续发展五大系统的管理指挥中枢,但目前其主要功能还是面向景区管理部门,面向游客的服务功能尚不完善。
因此随着散客和自驾车游客的增多,必须尽快建设面向游客的智慧旅游服务系统,让游客通过便携式终端上网设备,及时获取各类服务和景区旅游即时动态信息,做出合理的旅游选择,避免客流的极端性波动。
(3)建设协同工作平台。
采取内联外拓措施,与周边景区、乡镇以及其他知名景区建设协同工作平台,一方面在保证周边景区与黄山风景区协调性的前提下,明确不同景区的吸引特色,合理分工,丰富山下游的内容,既可以避免重复建设和恶性竞争,又可以对黄山风景区的缓冲区进行有效保护,还能缓解景区压力。
另一方面,通过协同工作平台,建立峰值预警机制,并共享客流波动及其他各种信息,协同分析和处理客流的各种波动状态。
(4)进一步挖掘文化内涵,丰富文化旅游产品。
文化型景区受季节性因素影响小,具有较低的季节性差异(Cuccia,Rizzo,2011)。
黄山风景区不仅是世界自然遗产,而且是世界文化遗产,文化资源丰厚,尤以遗存、书画、文学、传说、名人等“五胜”见著,但目前其丰富的文化内涵在旅游产品中体现不足,导致文化遗产的影响力远小于自然遗产,因此在保护的基础上,开发利用文化旅游资源不仅有利于降低黄山风景区过高的季节性客流,而且可以通过更加丰富的产品结构缓解淡季过长,淡季与平季和旺季落差过大的局面。
参考文献:
[1]陈乐一,彭晓莲,李玉双.我国地区经济周期的差异性研究[J].经济学家,2012(10):
81-87.
[2]陈友龙,刘沛林,王良健,许抄军.基于谱分析方法的中国旅游业波动周期研究[J].湖南社会科学,2005
(2):
104-107.
[3]范维,张磊,石刚.季节调整方法综述及比较[J].统计研究,2006
(2):
70-73.
[4]黄震方,袁林旺,俞肇元.盐城麋鹿生态旅游区游客变化特征及预测[J].地理学报,2007(12):
1277-1286.
[5]黄震方,俞肇元,黄振林,等.主题型文化旅游区的阶段性演进及其驱动机制――以无锡灵山景区为例[J].地理学报,2011(6):
831-841.
[6]刘宇峰,孙虎,原志华.基于小波分析的汾河河津站径流与输沙的多时间尺度特征[J].地理科学,2012(6):
764-770.
[7]刘泽华,张捷,吴小根,史春云.特殊时段旅游客流时间分布对旅游地理结构响应研究――以北京、黄山、西安TDD黄金周旅游客流为例[J].人文地理,2010a
(1):
129-133.
[8]刘泽华,李海涛,史春云,汪侠,张洪.短期旅游流时间分布对区域旅游空间结构的响应――以云南省黄金周旅游客流为例[J].地理学报,2010b(12):
1624-1632.
[9]陆林.山岳风景区客流研究――以安徽黄山为例[J].地理学报,1994(3):
236-246.
[10]陆林,宣国富,章锦河,杨效忠,汪德根.海滨型与山岳型旅游地客流季节性比较――以三亚、北海、普陀山、黄山、九华山为例[J].地理学报,2002(6):
731-740.
[11]陆林,鲍捷.基于耗散结构理论的千岛湖旅游地演化过程及机制[J].地理学报,2010(6):
755-768.
[12]卢松,陆林,王莉,王咏,梁栋栋,杨钊.古村落旅游客流时间分布特征及其影响因素研究――以世界文化遗产西递、宏村为例[J].地理科学,2004
(2):
250-256.
[13]骆培聪,张明锋.福建丹霞地貌旅游景区客流时间分布特性及其影响因素[J].地理科学,2010(3):
377-383.
[14]马丽君,孙根年,王洁洁.基于本底趋势线与小波函数的中国旅游成长及多周期分析[J].旅游科学,2009(6):
21-27. [15]牛亚菲,谢丽波,刘春凤.北京市旅游客流时空分布特征与调控对策[J].地理研究,2005
(2):
283-292.
[16]潘雅婧,王仰麟,彭建,沈虹,刘小茜.基于小波与R/S方法的汉江中下游流域降水量时间序列分析[J].地理研究,2012(5):
811820.
[17]陶伟,倪明.中西方旅游需求预测对比研究:
理论基础与模型[J].旅游学刊,2010(8):
12-17
[18]涂建军.四川省入境旅游客流时空动态模式研究[J].长江流域资源与环境,2004(4):
338-342.
[19]石林松,张晓芳,孙皓.中国区域经济周期长度的统计检验[J].统计与决策,2011(18):
47.
[20]汪德根,陆林,刘昌雪,章锦河,凌善金.山岳型旅游地国内客流时空特性――以黄山、九华山为例[J].山地学报,2004(5):
625-632.
[21]颜磊,许学工,章小平.九寨沟世界遗产地旅游流时间特征分析[J].北京大学学报(自然科学版),2009
(1):
171-177.
[22]余向洋,沙润,朱国兴,胡善风.基于EMD的景区客流波动特征及其组合预测――以黄山风景区为例[J].地理科学进展,2012(10):
1353-1359.
[23]余向洋,沙润,胡善风.近邻景区客流季节性比较及其动态关联研究――以西递、宏村、黄山为例[J].地理研究,2013
(1):
191-200.
[24]袁林旺,俞肇元,黄震方,顾秋实.游客变化的多尺度波动特征及作用过程分析――以盐城麋鹿生态旅游区为例[J].旅游学刊,2009(7):
27-33.
[25]张郴,张捷.中国入境旅游需求预测的神经网络集成模型研究[J].地理科学,2011
(2):
1208-1212.
[26]张捷,都金康,周寅康,张思彦,蒋兆刚.观光旅游地客流时间分布特性的比较研究――以九寨沟、黄山及福建永安桃源洞鳞隐石林国家风景名胜区为例[J].地理科学,1999
(1):
50-55.
[27]BellWR,HillmerSC(1984).IssuesInvolvedwiththeSeasonalAdjus
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 黄山 风景区 客流 波动 多时 尺度 特征 分析