国内外旅游客源市场研究报告.docx

国内外旅游客源市场研究报告.docx

《国内外旅游客源市场研究报告.docx》由会员分享，可在线阅读，更多相关《国内外旅游客源市场研究报告.docx（9页珍藏版）》请在冰豆网上搜索。

国内外旅游客源市场研究报告

1旅游客源市场影响因素的研究

旅游客源市场的形成必须具备四个要素：

人、购买力、购买愿望和购买权利，四者缺一不可。

由于市场形成的原动力是消费需求，所以对旅游客源市场影响因素研究的切入点应从旅游者（潜在旅游者）开始。

近期国内学者对潜在旅游者出游力的影响因素关注较多。

吴必虎对出游力影响因素的研究做了综述，总结出收入水平、闲暇时间、教育水平等是影响出游力的主要因素。

旅游者行为和需求模型也是近期国内外学者关注的重点。

徐素宁等归纳出影响旅游行为的三类共11种要素：

第一类是旅游地的状况，包括旅游资源与旅游景观水平、旅游地消费水平、旅游地服务质量、旅游地的安全、旅游地名牌旅游商品；第二类是客源地的状况，包括客源地的经济发达程度、客源地的城镇类型、客源地居民素质与职业结构；第三类是客源地一旅游地之间的状况，包括客源地到旅游地的交通可进入性、客源地和旅游地的景观风格差异程度、旅游地在目标客源地的美誉度。

宣国富等建立了基于航空廊道的旅游客流空间潜力模型，并建议XX市建立旅游航空票价调节基金来降低飞机票价，促进旅游客流量的增加。

KevinGreenidge认为旅游需求函数包括三个部分：

收人、与旅游业相关产品的价格、竞争旅游目的地的价格。

HaiyanSonga等的研究表明，赴XX旅游需求的重要因素是赴XX旅游的成本、客源国／地区的经济状况（收入水平）、赴主要竞争目的地旅游的成本和XX的口碑效应。

RameshDurbarry等运用近似理想需求系统（AIDS）模型定量研究的结果表明，积极的价格竞争是推动市场份额变化的主要变量。

ChirstineLim通过时间序列建模分析得出收入、价格、汇率、季节和其他因素的变化对国际旅游流起着重要作用。

国外学者普遍认为“推一拉”模式是一种很好的研究潜在旅游者出游动机和行为的方法。

SamuelSeongseopKima等选择了韩国六个国家公园的2720位游客进行问卷调查。

对调查结果进行因子分析表明：

12个推力因子可以归纳成四个本质因子，分别是家庭归属和学习因子（familytogethernessandstudy）、自然资源和健康因子（appreciatingnatu—ralresourcesandheahh）、逃避因子（escapingfromeverydayroutine）、冒险和交友因子（adventureandbuildingfirendship）；12个拉力因子可以归纳成三个本质因子，主要旅游资源因子（keytouristre—sources）、信息和便利因子（informationandconven-ienceoffacilities）、可进入性和交通因子（accessibili—tyandtransportation）。

近期国内外学者对旅游客源市场影响因素的研究，主要以运用数学建模对案例进行定量分析为主，且研究的结论比较一致，而主观的、经验性的研究正逐渐减少。

这表明目前对旅游客源市场影响因素的研究已是一个比较成熟的方向，研究的结论很难突破，研究的技术方法还有一定的创XX地。

今后的研究将会以探讨旅游者行为和需求模型为主。

2旅游客源市场时空结构的研究

旅游客源市场按消费者地理区域分布和时间分布可划分为旅游客源市场空间结构和时间结构。

旅游客源市场时空结构研究的目的是揭示旅游地客源市场的空间结构、重要客源市场及其变化趋势，有助于进一步促进旅游业的持续快速发展。

对时空结构的研究，需要以数据资料为基础，而在数据加工和处理方面，学者们存在一定差异。

2．1基于原始数据的时空结构研究

对原始数据进行描述性分析。

陈瑛J、王仕莲、徐致云分别分析了XX、XX、XX海外旅游客源市场的时空特征。

殷红梅论述了XX织金洞客流时空分布规律。

董观志l对XX华侨城四大主题公园的实地调查结果进行了量化分析后，提出了我国旅游主题公园客源市场的基本特征。

蔡善柱探讨了我国国际客源市场的层次及结构特征。

对原始数据运用数理统计方法来分析。

阎希娟_l利用数理统计分析方法，对XX国外客源市场的数量变化和主要客源市场现状进行了分析。

李宇等刮利用因子混合聚类分析，对XX市海外游客市场进行分类。

通过对近期国内外有关旅游客源市场研究文献的分析可以看出，我国学者通过借鉴和模仿国外同行的理论和研究方法，使自身的研究水平得到不小的提升，但总体上来看还存在着一定的差距。

主要表现在：

1）国内学者的定性研究偏多，且主要集中在旅游客源市场时空结构等研究方向。

与此相比，国外学者则倾向旅游客源市场预测和细分等技术含量较高的方向。

因此，我国学者今后应逐步扩大旅游客源市场研究的领域，积极借助其他学科的定量工具进行科学研究。

2）国内学者研究的理论创新不足，大多数研究只对实证案例做简单分析，缺乏进一步提炼，研究结论也不具备普遍的指导意义。

在以后的研究过程中，我国学者应加强对多个案例、多种技术方法的比较和综合研究。

3）国内学者缺乏系统、准确的旅游统计历史资料，很难做出大量高水平的实证研究，国外学者则有大量有效的统计数据作为研究的保证。

为此，我国旅游业界应该完善旅游市场数据的收集和统计工作，以期学者们可以得到充足的研究素材。

近期学者们对旅游客源市场的研究方兴未艾，未来的研究将集中在旅游客源市场预测和旅游客源市场细分两个方向，研究的方法也将以定量实证案例研究为主，基础理论研究为辅。

随着旅游客源市场研究的进一步深入，毫无疑问，将会大大加强旅游业决策者们的判断和预测能力，进而促进整个旅游的发展。

2．2基于指标（模型）体系的时空结构研究

游客距离衰减模型是较早用来研究旅游客源空间结构的模型，但近期的研究较少。

X捷等论证了九寨沟游客距离衰减曲线以Pareto模型为最佳，并推算了不同市场X围及不同模式的距离衰减指数，同时通过多种距离累计曲线有效地揭示了游客群人游行为及相关市场潜力等背景的空间结构特征。

地理集中指数和季节性强度指数是国内外学者运用较为广泛的两种时空结构分析指标。

万绪才等]、陆亦农㈣、沈振剑、陈月英川、李兴江等、胡道华、赵健雅川、李巧玲等、程成等]、院玲玲等运用地理集中指数、季节性强度指数分别对XX、吐鲁番、XX、XX、XX、XX、、XX、XX、XX旅游客源市场的空间结构特点及时间变化特征进行了分析。

MyriamJansen．Ver．beke使用旅游者集中指数（touirstintensityin．dex）、出游指数（touirstoirginindex）、比率指数（rati．O）和地理集中指数（concentrationindex）来研究欧洲地区旅游客源国和目的地的地理特征。

Tak．KeeHui等引运用季节性指数分析了赴新加坡的日本游客的季节性特征。

ChirstineLim"运用移动平均比率（ratio—to—movingaverage）来计算游客的月度季节性指数，从而归纳出赴澳大利亚的韩国游客的季节性分布模式。

除了分析个案特征外，学者们也对多个案例的相应指标进行了比较研究，以提取相关共性规律。

陆林等。

。

通过计算旅游客流季节性集中指数来分析XX、XX、普陀山等海滨（岛）型旅游地和XX、九华山等山岳型旅游地国内客流季节性特性。

王娟运用地理集中指数分析比较了2001年XX省各市国内旅游者空间结构及其地域差异的特点和原因。

客源吸引半径正逐渐被广大学者运用到旅游客源市场空间结构的研究中。

保继刚等引首先引入客源吸引半径对XX国内旅游客源市场的空间演变进行研究。

汪德根、琚胜利等相继运用客源吸引半径分别研究了九华山、天柱山国内客源市场空间结构及其演变特征。

丁正山3则用AD（目的地和客源地空间距离）指标为半径绘制了XX客源市场AD圈。

要轶丽和X国从运动模式、路径、结点、结点层次、域面（客源吸引半径）和扩散（地理集中指数）六个方面对XX国内旅游市场空间结构及其演化进行了剖析。

市场学指标也可用于旅游客源市场时空结构的研究。

王力峰创造性地应用亲景度指标、竞争态指标和集中度指标，对XX国际客源市场进行分析，揭示国际客源时空演替规律。

根据上述，近期国内对旅游客源市场时空结构研究较多，相比而言国外学者的关注程度相对较低。

目前该方向研究的技术方法由简单描述分析逐渐向运用指标（模型）体系进行分析转变，加强了对案例分析研究的深度，但总体上学者们对个案特征的分析较多，对共性规律的提炼还须进一步加强。

3旅游客源市场预测的研究旅游客源市场预测即旅游需求预测，是指旅游业决策人员根据市场调查得到的情报、资料，运用定性或定量方法对客源市场的未来发展趋势做出的推测。

旅游业竞争激烈且受环境容量的限制，对客源市场进行预测已经成为旅游企业或旅游地进行市场分析的重要内容和方法。

因此，旅游客源市场预测的研究成为近期国内外学者研究旅游市场的热点之一。

旅游客源市场预测的研究主要是采用定性或者定量的预测技术对案例进行研究。

赵西萍就旅游需求预测方法进行了综述，归纳出常用的预测方法有时问序列法、回归模型法、德尔菲法等。

近期国内外对旅游客源市场预测的研究，可以按他们采用的预测技术方法进行归类。

3．1基于时间序列预测的研究

时间序列建模认为从历史数据中观察的动态可以在未来持续一段时间，由此可根据过去递推未来，具体包括：

趋势拟合法（简单回归模型）、移动平均法、指数平滑法、ARIMA模型法等。

陈南江_j1使用罗吉斯曲线进行旅游市场的线性预测。

徐钢等加运用线性回归和指数预测等方法对浦东新区客源市场作了预测。

李乃英等、孙根年、苟小东等提出了旅游本底趋势线的概念，分别建立了XX、中国、XX境外客流相关的本底趋势线，并预测境外客流量变化。

沈振剑用趋势外推方法预测XX省国际旅游客源市场。

田喜洲通过建立指数函数预测模型预测了XX市的美国客流量。

杨宇等采用动向外推方法建立了XX北温泉风景区旅游人数变动模型。

朱迎波等利用双变量ARIMA模型，结合突发事件后人的心理发展变化曲线研究突发事件对中国入境旅游人数的影响。

殷英等H利用统计学习理论建立支持向量机的时间序列预测模型对XX的旅游需求进行了预测。

KevinGreenidge运用结构性时间序列建模来预测赴Batbados旅游的游客数量。

3．2基于引力模型预测的研究

早在2O世纪6O年代，Crampon_4明确指出引力模型可以用于旅游客源市场预测。

随后国内外陆续有学者对该模型进行了修正，但近期学者们对该模型的关注不多。

车裕斌等使用区域旅游系统吸引力预测模型，以鄂东南地区对XX省客源市场的吸引力预测为案例，说明了该模型运用的方法及存在的不足与问题。

宣国富等在重力模型的基础上，以航空票价为经济距离指标，建立了基于航空廊道的XX市旅游客流空问潜力模型。

3．3基于人工智能预测的研究

运用灰色系统预测模型进行旅游客源市场预测能得到较好的效果。

孙玉贞、余洁、蒿建华、周鹏等分别运用灰色预测模型对XX、XX、XX、中国的旅游客源市场进行预测。

朱晓华等]建构了中国旅游客源预测的灰色模型，并与常用的线性模型预测精度进行定量对比。

结果表明中国旅游入境客源灰色GM（1，1）模型的预测精度高于线性模型。

Chao-HungWang运用灰色理论和模糊时问序列预测从XX、美国、德国到XX旅游的游客数量。

结果得出，当样本数据有稳定的增长趋势时，GM（1，1）模型能得出精确的预测。

当样本数据有明显的波动性时，Markov修正模型可以有效的改进GM（1，1）预测精度。

运用神经网络模型进行预测是近期国内外学者对旅游客源市场预测研究的一大亮点。

RobLaw等第一次运用了有监督的前馈（feed-forword）神维普资讯h经网络模型来预测赴XX旅游的日本游客数量。

结果表明使用神经网络模型预测日本游客比多元回归模型、nalve法、移动平均法和指数平滑法预测的效果要好。

RobLaw通过运用反向传播（back—propagation）学习过程处理XX赴XX旅游客流的非线性离散旅游需求数据，拓展了神经网络模型在旅游需求预测中的应用X围。

研究表明，使用反向神经网络模型比回归模型、时间序列模型和前馈神经网络模型的预测精度更大。

孙燕平用人工神经网络的反向传播算法对中国入境旅游人数进行预测发现其预测结果比常用的线性回归预测方法更接近实际值。

3．4基于组合模型预测的研究

组合模型是指综合运用两种或两种的计量模型对旅游客源市场进行预测。

运用组合模型的预测效果一般比单个模型预测的效果要好。

周建设等运用多种预测方法，对XX境外游客进行预测，并采用组合方法对预测结果进行了优化。

管宁生等将趋势外推法和特尔菲法（专家分析法）两种方法结合起来预测鹤庆县各个时期旅游市场的游客。

李悦铮等综合运用一元回归和指数曲线拟合对XX市的入境旅游进行预测。

Fong—LinChu运用结合季节性ARIMA和正弦波非线性回归的模型来预测世界各地赴新加坡旅游的游客数据。

研究结果表明，这种组合模型比其他单变量的时间序列模型的绝对平均误差百分比（MAPE）都小。

CareGoh等提出综合运用SARIMA模型和含有干涉成分的MARIMA模型来预测赴XX旅游的游客数量，并得出使用综合非平稳季节性和含有干涉性成分的ARIMA模型预测结果比其他时间序列预测的结果更精确。

3．5基于多种模型的比较研究

目前旅游客源市场预测的技术方法有很多，且有其适用X围和优劣差异。

对多种预测技术方法进行比较分析，也非常必要。

X友兰等分析了旅游引力模型、多元（逐步）回归模型和时间序列模型在预测旅游人数方面的优缺点。

C．J．S．C．Burge等使用了naive、移动平均法、季节性分解法、单指数平滑法、ARIMA模型、多元回归模型、遗传回归模型和神经网络模型等技术方法预测美国大城市居民赴南非德班（Durban）的旅游需求，通过比较得出神经网络模型预测的精确度最高。

ChristineLim等比较了不同ARIMA模型预测1975-1989年间从XX、马来西亚和新加坡赴澳大利亚旅游的游客数量的效果。

JohannduPreez等对赴Sey—chelles旅游需求的调查研究表明，ARIMA模型比单状态空间建模和多元状态空问建模的预测效果好。

VincentCho-6研究了指数平滑法、单变量ARIMA模型和神经网络的Elman模型三种时问序列预测技术。

结果表明，在时间序列缺乏明显的趋势情况下，神经网络模型是预测游客数量的最好方法。

Fong—LinChu0通过对赴新加坡旅游客流数量的预测研究表明，多项式（cubicpolynomia1）模型比正弦波非线性回归模型和季节性一非季节性ARIMA模型的绝对平均误差百分比（MAPE）要高。

但是多项式（cubicpolynomia1）模型有预测成本低，预测过程简单、灵活等优点，且预测效果比简单线性回归模型要好。

JaeH．Kima等。

。

使用季节性ARIMA模型、回归模型和Harvey的结构时间序列模型来预测澳大利亚的国际旅游客流，并且比较这三种模型分别运用直接方法和间接方法进行预测的精度。

结果表明，运用间接方法比直接方法预测的精度更高。

可以看出，国内学者对旅游客源市场预测的研究主要以介绍新的预测技术为主，且预测技术较为单一化。

国外学者在注重介绍新技术的同时，加强了对现有技术的比较和综合研究，预测方法正由单一化逐渐转向综合化，研究结果更加精确，这将成为未来学者在这一方向研究的趋势。

随着旅游客源市场预测技术的不断完善，必将为旅游业决策人员提供更加准确有效的市场信息。

4旅游客源市场细分的研究

旅游客源市场细分，就是旅游地或旅游企业把整个市场划分为若干个需要不同产品和市场营销组合的市场部分。

在现代旅游市场竞争日趋激烈，旅游供给方要占领一定的市场份额并得以发展，就必须通过辨明具有不同需求的消费者群体，将整个市场划分为不同特点的细分市场。

此外，旅游市场属感性消费市场，其市场细分比物质性消费市场更为复杂。

因此，旅游客源市场细分的研究也成为国内外学者关注的一个热点。

4．1旅游客源市场细分的定性研究

近期国内对旅游客源市场细分的研究大多是基于调查分析者主观判断进行的，属定性研究X畴，研究结论缺乏科学性。

赵振斌”认为可以根据出游动机、目的类型、团队结构、滞留时间、年龄、市场X围等细分双休日市场。

余洁_5¨在硕士学位论文中将旅游市场划分成自然环境变量、人口学变量、心理行为变量、购买行为变量等四大细分变量及其23个亚变量。

吴必虎¨提出可从季节性市场、旅行时间市场、旅行距离、出游目的、旅行方式、旅游消费和使用接待服务设施来细分市场。

X晓辉根据旅游者地理、收入、文化、行为、心理变量划分出XX旅游客源市场各个细分群体。

4．2旅游客源市场细分的定量研究

4．2．1运用显著性检验确定细分要素进行市场细分ConnieMok等通过数理统计检验指出，以旅行消费支出细分游客市场比通常以旅行活动方式细分游客市场更有效。

JosephS．Chenllj通过使用综合CAID算法的效标（criterion—based）分析，提出“行动（actionable）细分市场”的概念。

其中“行动细分市场”可以理解为：

在被调查游客中，有较高可能推荐他们到访过的旅游地的游客。

这一理论可以帮助旅游地营销者更有针对性地向核心消费群体制定促销和服务战略。

该研究为旅游客源市场细分提出了新的研究方向。

KyooYupChunga等对汉城所有超豪华饭店的市场数据先进行主成分分析和聚类分析，然后运用卡方自动交互检测（CHAID）算法确定细分市场中必须首先考虑的变量。

4．2．2运用回归模型确定细分要素进行市场细分

EugeniAguiloPerez等运用含有跟旅游者特征有关的虚拟变量的回归模型对Balearic群岛游客消费支出进行分析得出，不同特征游客的旅游消费支出的差别是显著的。

ReidarJ．Mykletun等灵活运用多元logistic回归模型来分析Bornholm岛最有价值的游客细分市场。

4．2．3运用要素一聚类分析进行市场细分DouglasJeffrey等以假日活动倾向为基础运用因子分析、聚类分析和逐步回归分析完成赴中国旅游的英国游客市场细分。

SooCheongJanga等运用要素一聚类分析方法将日本出境旅游市场划成三个利益细分市场。

J．EnriqueBigne等通过聚类分析得出可以用消费情感（consumptionemotion）要素来细分旅游客源市场。

国内学者解杼等引入主成分分析与聚类分析方法对XX省国内旅游客源市场的地理结构进行细分。

4．2．4运用神经网络模型进行市场细分聚类分析和多元线性回归已不能满足对旅游客源市场细分做进一步深入研究的需要，并且用线性技术来分析非线性问题也存在很大的局限，而神经网络模型则可以很好地弥补以上不足。

K．Hornik等首先提出可以使用神经网络模型进行市场细分。

J．Mazaneclg则第一次使用自组织神经网络模型来对旅游客源市场进行细分。

JaesooKim等运用神经网络的Kohonen’sSOM算法将澳大利亚西部老年旅游市场细分成四个不同的部分。

Jona—thanZ．Blooml8认为运用自组织（SOM）神经网络模型可以细分出三个具有本质区别的游客市场。

同时通过对使用自组织（SOM）神经网络算法输出量的跟踪调查来分析反向传播算法预测游客类别的能力。

JonathanZ．Bloom研究了用自组织（SOM）神经网络模型细分南非CapeTown的国际旅游市场，并且指出神经网络的反向传播算法可以用来进一步完善市场细分。

旅游客源市场细分的研究国内外存在较大的差异。

国内学者以经验性研究为主，而国外学者则以运用数理统计、人工智能等定量方法进行研究为主。

市场细分的定量研究可以在较为客观的基础上，把握旅游客源市场的内在集群规律，其研究结果比经验性研究的结果更为客观科学，更具指导意义。

5结语

通过对近期国内外有关旅游客源市场研究文献的分析可以看出，我国学者通过借鉴和模仿国外同行的理论和研究方法，使自身的研究水平得到不小的提升，但总体上来看还存在着一定的差距。

主要表现在：

1）国内学者的定性研究偏多，且主要集中在旅游客源市场时空结构等研究方向。

与此相比，国外学者则倾向旅游客源市场预测和细分等技术含量较高的方向。

因此，我国学者今后应逐步扩大旅游客源市场研究的领域，积极借助其他学科的定量工具进行科学研究。

2）国内学者研究的理论创新不足，大多数研究只对实证案例做简单分析，缺乏进一步提炼，研究结论也不具备普遍的指导意义。

在以后的研究过程中，我国学者应加强对多个案例、多种技术方法的比较和综合研究。

3）国内学者缺乏系统、准确的旅游统计历史资料，很难做出大量高水平的实证研究，国外学者则有大量有效的统计数据作为研究的保证。

为此，我国旅游业界应该完善旅游市场数据的收集和统计工作，以期学者们可以得到充足的研究素材。

近期学者们对旅游客源市场的研究方兴未艾，未来的研究将集中在旅游客源市场预测和旅游客源市场细分两个方向，研究的方法也将以定量实证案例研究为主，基础理论研究为辅。

随着旅游客源市场研究的进一步深入，毫无疑问，将会大大加强旅游业决策者们的判断和预测能力，进而促进整个旅游的发展。