[摘要]以2007—2016年杭州入境旅游人次数的40个季度数据和120个月度数据为样本，采用X12ARIMA、TRAMO/SEATS季节调整法和HP滤波法，对杭州入境旅游人次数的季节性特征、不规则要素特征、长期趋势和周期性变动特征进行分析研究。研究结果表明，杭州入境旅游整体呈现缓慢上升趋势，并伴随两次周期性变动过程；杭州入境旅游人次数具有明显的季节性特征，淡旺季分明且平季时间长；与季度数据相比，月度入境旅游人次数更容易受不规则要素的影响。在此基础上，提出杭州入境旅游发展的启示性建议和对策。

[关键词]入境旅游；旅游季节性；季节调整法；杭州

[中图分类号]F 592755[文献标志码]A[文章编号]10050310（2018）01003608

Inbound Tourism Seasonality：

An Empirical Analysis of Hangzhou Data

Zheng Zhaoyan

（Tourism College of Zhejiang， Hangzhou 311231，China）

Abstract： On the basis of quarterly and monthly inbound tourist arrivals from 1996 to 2016 in Hangzhou， the article explores the inbound tourism seasonality by means of seasonal adjustment method such as X12ARIMA， TRAMO/SEATS， and HP filter. The result shows that， firstly the inbound tourism in Hangzhou is slowly on the rise， accompanied by two rounds of cyclical fluctuations； secondly inbound tourism has obvious seasonal characteristics with a long period of shoulder seasons； thirdly the monthly inbound tourist arrivals are more susceptibly influenced by irregular factors. Finally， these conclusions are used to give advices to the development of inbound tourism in Hangzhou.

Keywords： Inbound tourism； Tourism seasonality； Seasonal adjustment method； Hangzhou

0引言

入境旅游对国家、区域或者城市旅游业发展的重要作用早已不言而喻，各城市都制定了相应的政策措施来扶持入境旅游的发展。2016年我国接待入境旅游人数达138亿人次，实现国际旅游收入1 200亿美元。尽管如此，相比其他产业，旅游业的季节性特征更为显著，气候温度、自然条件以及节事活动等社会因素都有可能是影响入境旅游季节波动的因素。而这种季节波动往往掩盖了入境旅游经济发展中的客观变化，对判断入境旅游经济发展的趋势和真实现状造成了困难。

杭州作为我国旅游热点城市，不管是旅游接待人数还是旅游收入，在全国同类城市中都名列前茅，入境旅游发展势头良好。尤其是受G20峰会溢出效应的影响，以及在后G20时期杭州“峰会元素”的境外旅游营销系列事件的带动下，杭州的国际知名度和国际旅游目的地形象得以大幅度提升。因此，本文以杭州为研究对象，选取2007—2016年入境旅游人数的40个季度数据和120个月度数据作为研究样本，采用经济时间序列方法对杭州入境旅游的季节性特征进行剖析，这不仅有利于深化对城市入境旅游经济波动规律的认识，也是促进城市入境旅游可持续发展的一条现实路径。

1文献回顾

北京联合大学学报2018年1月

第32卷第1期郑昭彦：城市入境旅游市场季节性波动特征研究

最早关于旅游季节性问题的研究始于1975年Baron

[1]学者。之后，国内外学者就旅游季节性问题从不同视角展开了阐述，包括有从景区景点、省域市域等层面探讨旅游季节性问题的，也有从相关行业如酒店、郵轮等讨论季节性特征的。综合国内外相关文献，旅游季节性研究内容主要聚焦于：

1） 旅游季节性的成因分析

Baron[2]、Baum & Hagen[3]、陆林等[4]、Cuccia & Rizzo[5]等均对旅游季节性形成成因做了深刻的阐述。整体而言，旅游季节性是受自然因素和社会制度因素的双重影响而形成的。自然因素包括气候温度等，是非人力所能控制的；而社会制度因素是涵盖节假日、大型活动赛事、出游习惯等诸多因素在内的。

2） 旅游季节性的影响

关于旅游季节性的影响研究主要集中在旅游季节性所带来的负面效应。比如，Manning & Power[6]、Figini[7]等认为旅游季节性波动不仅会带来较低的投资回报率，而且还会给旅游目的地带来一系列问题。

3） 旅游季节性的量化问题

研究者们试图通过不同的计量方法对旅游季节性进行实证量化研究。国内学者张朝枝、保继刚[8]，宋立杰、李平[9]分别以武陵源和青岛市为对象研究了旅游季节性问题；国外学者Lim & McAleer[10]、Cunado[11]、 Karamustafa & Ulama[12]分别以澳大利亚、西班牙、土耳其等国家为例对旅游季节性进行测度。

与此同时，不少学者围绕入境旅游的季节性问题展开了深入研究。Koc & Altinay[13]以土耳其为例，选取人均旅游消费月度数据进行研究，认为人均旅游消费也呈现出较强的季节性特征，而且与入境旅游人数的季节性特征具有显著差异。国内研究学者以冯学钢团队为代表，冯学钢、黄和平、邱建辉[14]以22个热点旅游城市为例，运用重心模型、基尼系数、变异系数等方法对热点旅游城市的季节性时空分布差异做了深入分析；周成、冯学钢、金川

[15]从气候舒适度角度出发对我国31个省会城市旅游气候做了类型划分：春秋舒适型、夏季舒适型、冬季舒适型和常年舒适型；周成、冯学钢[16]分析了上海4类入境旅游市场（我国港澳台及国外）的季节波动周期特征，4类市场的季节形态存在差异，而且受季节因素和不规则因素的影响程度各有差异。此外，陈芸、田良[17]采用旅游月指数、季节性集中指数，研究了海南入境旅游的淡旺季分布以及不同海外市场的旅游季节性分布。

总结上述文献，国内外学者对入境旅游季节性问题作了不少且深入的研究，在研究方法上普遍采用基尼系数、指数方法、变异系数等，对某一区域或特定城市的入境旅游季节性特征进行研究；研究指标不单单局限于入境旅游人数，而且还扩展到人均旅游消费指标；研究内容不仅涵盖区域或城市入境旅游的整体季节性特征，而且细化到不同细分市场的季节性特征。

本文拟在以下方面补充和发展现有研究文献：

第一，在研究方法上，本文采用X12ARIMA模型、TRAMO/SEATS以及HP滤波法等经济时间序列季节调整和分解方法，该方法不但能剔除经济发展过程中的季节变动要素和不规则要素，而且还能研究经济发展的长期趋势和循环变动，相比传统的基尼系数、变异系数等方法更客观和全面。

第二，在研究视角上，大部分文献采用的是单一方法研究月度季节特征，而本文是基于季度和月度数据并采用不同的季节调整方法做分析研究，以此来检验杭州入境旅游的季节性特征。这不仅有利于从整体和全局上把握杭州入境旅游的季节性特征，而且对当下相关研究的方法论做了有益补充。

2研究方法和数据来源

21研究方法

211X12ARIMA模型

X12ARIMA模型是基于X12和ARIMA模型组成的季节调整方法。该模型通过采用ARIMA模型延长了原序列，弥补了移动平均法末端项补欠值的问题[18]，而这正是X12方法的最大问题所在。X12ARIMA模型经过两个阶段来实现整个季节调整过程。首先通过regARIMA模块的引入，对原数据序列的异常值作预调整，并延长了调整后序列的两端；然后将第一阶段所得的时间序列回归误差导入X11模块，完成季节调整，整个序列将分解为季节要素、不规则要素和趋势循环要素。具体可以分解为加法模型和乘法模型两种形式。

加法模型的一般形式为

Yt=TCt+St+It，（1）

乘法模型的一般形式为

Yt=TCt×St×It。（2）

公式（1）（2）中，TCt表示趋势循环要素，由长期趋势要素T和循环要素C组成；St表示季节要素，是由气候温度、节假日等因素引起的；It表示不规则要素，主要受诸如自然灾害等偶然事件的影响。要素之间的关系决定了采用何种模型，若要素之间相互关联则采用乘法模型，否则用加法模型。

相比其他模型，X12ARIMA模型最大的优势在于“增加了几种类型的模型和多种新的季节调整诊断方法，具有较大的适应性，能对大多数经济时间序列进行季节调整，成为经济数据分析和预测的有效工具。”[19]

212TRAMO/SEATS方法

TRAMO/SEATS方法是基于TRAMO和SEATS兩个程序的数据处理和经济时间序列分解的应用程序。TRAMO是用来估测具有缺失值、非平稳ARIMA误差与外部影响的回归模型，SEATS是基于ARIMA模型来估计时间序列中不可观测的成分。TRAMO/SEATS先用TRAMO进行数据的预处理，然后用SEATS将序列分解为季节要素、不规则要素、趋势循环要素。相比X12ARIMA模型，TRAMO/SEATS方法操作简单，而且

主观判断成分较少。

213HP滤波法

HP（HodrickPrescott）滤波法是用于测定序列组成成分中的长期趋势。HP滤波法的原理用公式表示为

Yt=YTt+Yct，t=1，2，…，T。

（3）

其中，YTt表示含有的趋势成分，Yct表示含有的波动成分。

HP滤波的问题在于使下列损失函数最小化，即

minTt=1Yt-YTt2+γT-1t=2YTt+1-YTt-YTt-YTt-12。（4）

HP滤波取决于参数γ，根据一般经验，研究选取月度数据时，参数γ取值14 400。

22数据来源

本文选取2007年1月至2016年12月杭州市入境旅游人次为研究指标，共40个季度数据和120个月度数据。研究数据来源于杭州统计信息网（www.hzstats.gov.cn）中的“旅游进度数据（2008—2016年）”，2007年12个月份的入境旅游人次数据则根据2008年相应月份的入境旅游人次数据及其同比增长率计算所得。本文采用Eviews72统计软件对研究数据进行处理和计算。

3实证分析与结果

31季度数据的季度调整分析

本文采用X12ARIMA模型对2007—2016年40个季度入境旅游人次数据（表示为HZQIT）进行季节调整，最终将原数据序列分解为季节调整后序列（HZQIT_SA）、季节要素序列（HZQIT_SF）、趋势循环要素序列（HZQIT_TC）以及不规则要素序列（HZQIT_IR）。具体参数设置如下：

1）考虑到杭州入境旅游人数呈现整体递增的趋势，季节分解方法采用乘法模型。

2）选择（0 1 1）（0 1 1）ARIMA模型，数据序列不做对数转换。

3）不设定交易日和节假日。

4）采用自动检测奇异值的方法，结果显示未识别到奇异值。

通过上述参数设定，季节调整结果诊断报告显示如下：

第一，11种统计量（M1～M11）分别为0093、0078、0494、0099、0744、0148、0127、0259、0177、0220和0167，这些统计量均小于1，且Q统计量为026，结果是可接受的。

第二，从谱图看出，季节频率并未落在谱图的峰值上。以上结果表明，季节调整较为充分，结果是可接受的。

从图1来看，杭州入境旅游人数的季节性比较明显，且呈现一种有规律性的波动状态，1季度是杭州入境旅游人数最少的季度，之后迅速上升，在2季度达到峰值后缓慢下降，3季度继续下降。季节变动的年度表现略有差异，2011—2015年形态是“一谷两峰一肩”，其余年份形态则表现为“一谷一峰两肩”，两者差别在于3季度的旺季特征是否显著。根据季度均值，本文认为1季度是杭州入境旅游的淡季，2季度和3季度是旺季，4季度是平季。

从图2来看，不规则要素均值在季度之间并无显著差异，几乎位于同一水平线上；尽管2008年1季度偏离均值相对较大（8%左右），但就整体而言，不规则要素对季度数据的影响有限。

32月度数据的季节调整分析

为了加深对杭州入境旅游市场的认识和理解，本文采用TRAMO/SEATS方法对120个月度数据进行分析，将原始数据序列（HZMIT）分解为调整后数据序列（HZMIT_SA）、季节要素序列（HZMIT_SF）、不规则要素序列（HZMIT_IR）以及趋势要素序列（HZMIT_TRD）。由于入境旅游人数可能会受到“月长度和工作日”、其他外部因素等影响，所以选择“工作日和月长度”进行调整，并自动探测外部影响。从图3可以看出，调整后序列比原数据系列平滑，杭州入境旅游人数整体呈现波动上升趋势。

321季节变动分析

图4揭示了季节要素及其月度均值的变化。从季节要素序列来看，杭州入境旅游人数呈现有规律的波动。波动特征表现为：1月是杭州入境旅游人数最少的月份，然后持续上升，4月普遍是入境旅游人数最多的月份，之后经数次上下波动，在10月后持续下降。这种特征在年度表现上有较为明显的差异，具体表现为：在2007—2012年期间，4月是杭州入境旅游人数唯一的峰值，旺季优势明显；2013—2016年最大特征表现为数个峰值并存，4月、6月、9月和10月都处于峰位，旺季优势从4月逐渐向6月转移。

根据季节要素的月度均值，杭州入境旅游人数表现出了明显的季节特征，季节比率均值在55～123之间波动，其中1月和2月均值为55和63，其余月份均值则在98～123之间波动。据此，本文将55～63划分为淡季、98～110为平季、111～123为旺季（具体如表1所示）。

322不规则要素分析

从不规则要素序列与月度均值（见图5）来看，不规则要素均值在月度间的差异较小（在6%以内），但对少数月份的影响程度仍较大。不规则要

2009年国际金融危机、甲型H1N1流感、2013年东南亚经济低迷、人民币升值，以及2016年G20峰会安全管控政策，造成了当月或后续时期杭州入境旅游人数的减少。

33周期性与发展趋势

鉴于X12ARIMA、TRAMO/SEATS等方法将趋势要素和循环要素视为一体，本文采用HP滤波法对季度和月度数据的趋势循环要素进行分离（图6）。趋势要素（TREND）代表了入境旅游人数序列长期的趋势特性，而循环要素（CYCLE）则是间距较长且不固定的周期性变动。从图6可以看出，月度数据和季度数据的HP滤波图大体上一致。

就杭州入境旅游人数的长期趋势而言，从2007年以来整体呈现缓慢上升的态势，且前5年的增幅较后5年更为明显，甚至2014—2015年趋势线呈一定凹陷状。这说明近些年来杭州入境旅游人数进入低迷发展期，但这种低迷困境在2016年得到了一定程度的改善，进一步说明诸如G20峰会等特殊事件对入境旅游的发展起到了促进作用。

就周期性变动而言，2007—2016年杭州入境旅游人數经历了两轮周期性变动。谷位分别处于2009年和2013年，峰位分别是2007年和2012年，拐点位置与之前分析的不规则要素序列结果一致。从周期变动曲线来看，两轮周期性变动的持续时间都在5年左右，而且每个周期的增长期和下降期时间大体一致。就曲线形态而言，两轮周期性变动具有一定的对称性，但后一轮周期性变动在经历谷底后第二波反弹幅度明显大于第一波。这同样说明了2016年G20峰会对杭州入境旅游的拉动作用。

4结论与启示

41研究结论

本文通过2007—2016年杭州入境旅游月度数据和季度数据，采用X12ARIMA和TRAMO/SEATS季节调整法以及HP滤波法，对杭州入境旅游市场的季节性特征进行探究。研究结论如下：

第一，从长期发展趋势来看，杭州入境旅游人数整体呈缓慢上升趋势，尤其是近几年来陷入低迷发展期。究其原因，

主要在于全球经济复苏缓慢、地缘政治环境复杂以及杭州国际旅游竞争力的不足等多重因素。

第二，从季节变动角度来看，杭州入境旅游季节性特征明显，淡旺季分明。淡旺季分布表现为：在季度上，1季度是淡季，2季度和3季度是旺季，

4季度是平季；在月份上，1月和2月是淡季，4月、6月、9月和10月是旺季，其余月份是平季。

这是因为，一方面，入境旅游淡旺季与气候温度紧密相关，气候舒适期往往是入境旅游的高峰期；另一方面，入境旅游与国际性会展活动紧密相关，如每年4月的国际动漫节和10月的西博会，这都是入境旅游人数的高峰期。另外，一个值得关注的事实是，杭州入境旅游平季跨度大，时间长达6个月。

第三，从杭州入境旅游人数受不规则要素影响的变动程度来看，研究结果再次检验了旅游业的敏感性特征。相比季度数据，月度入境旅游人次数更容易受当时突发事件的影响，但影响持续时间较短。

42政策启示

基于上述研究结论，本文提出以下启示性建议：

第一，正视入境旅游低迷发展的现实情况。鉴于入境旅游发展受国际经济和政治环境的制约，任何无视宏观环境而在短期内盲目追求入境旅游的快速增长是不现实的。因此，

政府相关部门不应该把入境旅游发展规模放在首位，而应该注重入境旅游质量的提升。具体措施包括：在现有产品基础上重点培育和形成一批具有国际知名度的旅游产品品牌，针对不同海外客源市场设计与开发不同旅游线路，强化杭州作为国际旅游目的地的旅游形象；根据国际游客需求及时调整和完善旅游服务和设施条件，增加和完善外语标识牌建设，提供多语言旅游资讯服务，营造“文明待客”的旅游环境氛围，提升旅游服务质量水平，力争与国际先进水平接轨。

第二，重视节事活动的溢出效应，充分发挥节事活动对入境旅游的带动作用。地方政府应当重视节事活动的重要作用，将节事活动作为促进入境旅游经济发展的重要变量。具体措施包括：加强杭州节事活动的国际合作交流，加快相关软硬件设施建设；鼓励国外知名节事活动引进杭州，制定节事活动“引进来”政策，以带动本土节事活动品牌的发展；通过现有国际节事活动的平台，如西博会、动漫节、休博会等，培育和形成一批具有国际知名度的节事活动品牌，鼓励节事活动“走出去”；加强节事活动的国际营销宣传力度，发挥节事活动的当期效应，延续节事活动的带动效应，树立和提升杭州作为国际旅游目的地的旅游形象。

第三，注重挖掘平季旅游潜力，缓解旅游季节性带来的消极影响。如何突破气候对旅游影响的桎梏？如何挖掘平季和淡季的旅游潜力？这都是值得深思的问题。具体措施包括：深入分析平季和淡季旅游客源市场，识别出平季和淡季出游的细分市场，开发与细分市场相适应的旅游产品；举办节事活动的确是平衡淡旺季的有效手段之一，但是还应该平衡考虑节事活动的举办时间，增加平季和淡季的节事活动数量，而相应减少旺季期间的数量；鉴于商务旅游的非季节敏感性特征，利用毗邻上海的区位优势，加强与上海的旅游合作力度，将上海丰富的国际商务客源引向杭州，实现城市合作的“无缝对接”。[参考文献]

[1]Baron R R V. Seasonality in tourism： a guide to the analysis of seasonality and trends for policy making[C]. London：Economist intelligence unit，1975：1-5.

[2]Baron R R. The measurement of seasonality and its economic impact[J]. Tourism Economics， 1999，5（4）：437-458.

[3]Baum T，Hagen L. Responses to seasonality： the experiences of peripheral destinations [J].International Journal of Tourism Research，1999，1（5）：299-312.

[4]陸林，宣国富，章锦河，等.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，2002，57（6）：731-740.

[5]Cuccia T， Rizzo I. Tourism seasonality in cultural destinations： empirical evidence from Sicily [J]. Tourism Management，2011，32（3）： 589-595.

[6]Manning R E， Powers L A. Peak and offpeak use： redistributing the outdoor recreation/tourism load[J]. Journal of Travel Research，1984，23（2）： 25-31.

[7]Figini P， Vici L. Offseason tourists and the cultural offer of a masstourism destination： the case of Rimini[J]. Tourism Management，2012，33（4）： 825-839.

[8]张朝枝，保继刚.休假制度对遗产旅游地客流的影响——以武陵源为例[J].地理研究，2007，26（6）：1295-1303.

[9]宋立杰，李平.青岛市国际旅游的季节性研究——基于不同的视角[J].资源开发与市场，2011，27（9）： 845-848.

[10]Lim C， McAleer M. A seasonal analysis of Asian tourist arrivals to Australia[J]. Applied Economics， 2000， 32（4）：499-509.

[11]Cunado J， GilAlana L A， Perez de Garcia F. The nature of seasonality in Spanish tourism time series[J]. Tourism Economics， 2005，11（4）：483-499.

[12]Karamustafa K， Ulama S. Measuring the seasonality in tourism with the comparison of different methods[J]. EuroMed Journal of Business， 2010，5（2）：191-214.

[13]Koc E， Altinay G. An analysis of seasonality in monthly per person tourist spending in Turkish inbound tourism from a market segmentation perspective[J]. Tourism Management，2007，28 （1）： 227-237.

[14]冯学钢，黄和平，邱建辉.我国入境旅游流季节性特征及其时空演变研究——基于22个热点旅游城市面板数据的实证分析[J].华东经济管理，2015，29（6）：1-9，187.

[15]周成，冯学钢，金川.基于气候舒适度的我国旅游季节性分析与潜力提升[J].资源开发与市场，2015，31（12）：1529-1533.

[16]周成，冯学钢.上海入境旅游市场的季节特征、波动周期与发展趋势——基于X12ARIMA和HP滤波法[J].旅游科学，2016，30（6）：39-53.

[17]陈芸，田良.海南入境旅游季节性特征与调控措施[J].人文地理，2013，28（4）：140-143.

[18]高铁梅.计量经济分析方法与建模——EViews应用及实例[M].北京：清华大学出版社，2015：35.

[19]孙晓东，武晓荣，冯学钢.邮轮旅游季节性特征：基于北美市场的实证分析[J].旅游学刊，2015，30（5）：117-126.

（责任编辑李亚青）