基于灰色关联理论的旅游机场旅客吞吐量预测模型构建与实证研究

基于灰色关联理论的旅游机场旅客吞吐量预测模型构建与实证研究一、引言1.1研究背景与意义1.1.1研究背景随着经济全球化进程的加速和人们生活水平的显著提高，旅游业已成为全球经济发展中最为活跃且最具潜力的产业之一。据世界旅游组织（UNWTO）统计数据显示，过去几十年间，国际旅游人数持续攀升，从20世纪50年代的每年不足2500万人次，增长至2019年的15亿人次，尽管2020-2021年因新冠疫情遭受重创，但随着全球疫情防控形势的好转，旅游业正逐步复苏并展现出强劲的反弹势头。机场作为旅游产业至关重要的交通枢纽，不仅承担着航班起降、旅客运输等核心职能，还在很大程度上影响着整个旅游系统的运行效率和经济效益。一方面，它是游客进出旅游目的地的关键门户，便捷高效的航空运输能够显著提升旅游目的地的可达性，吸引更多游客前来。例如，三亚凤凰国际机场的不断扩建和航线增加，使得三亚这座旅游城市接待的国内外游客数量大幅增长。另一方面，机场的服务质量和设施完备程度也直接关系到游客的旅游体验。现代化、舒适且功能齐全的机场，如新加坡樟宜机场，凭借其丰富的购物、餐饮、娱乐设施以及优质的服务，成为游客旅途中的美好体验点，甚至吸引部分游客专程前往体验，为旅游目的地形象加分。在这样的背景下，准确预测机场旅客吞吐量变得尤为关键。旅客吞吐量是衡量机场运营规模和繁忙程度的核心指标，精准的预测结果能够为机场在资源配置、设施规划、运营管理等方面提供科学依据。以北京大兴国际机场为例，在规划建设阶段，通过对未来旅客吞吐量的科学预测，合理确定了机场的航站楼面积、停机位数量、跑道数量等关键设施规模，确保机场在投入使用后能够满足不断增长的旅客需求。同时，准确的旅客吞吐量预测有助于机场合理安排人力资源、优化航班时刻，提高运营效率，降低运营成本，进而提升机场的整体竞争力。例如，通过预测旅客流量高峰低谷，机场可以灵活调配安检人员、值机柜台工作人员数量，避免出现人员闲置或人手不足的情况。然而，目前常用的旅客吞吐量预测方法，如时间序列分析、回归分析等传统统计方法，存在一定的局限性。这些方法往往依赖于大量的历史数据，且对数据的完整性和规律性要求较高。在实际应用中，由于旅游业受到多种复杂因素的影响，如自然灾害、突发事件、政策调整、市场波动等，导致数据可能存在不充分、异常值较多等问题，使得传统方法难以准确捕捉到各因素对旅客吞吐量的影响程度，模型建立过程中也容易受到主观因素的干扰，从而降低了预测的精度和可靠性。例如，2020年新冠疫情的爆发，使得全球机场旅客吞吐量急剧下降，这一突发情况完全打破了以往基于历史数据建立的预测模型的规律，传统预测方法在这种情况下严重失效。因此，寻找一种更为有效的预测方法，提高机场旅客吞吐量预测的精度和可靠性，成为当前机场运营管理领域亟待解决的重要问题。灰色关联理论作为一种能够处理小样本、贫信息不确定性问题的方法，为机场旅客吞吐量预测提供了新的思路和途径，本研究将致力于探究灰色关联理论在旅游机场旅客吞吐量预测中的应用。1.1.2研究意义本研究具有重要的理论与实践意义。在理论方面，当前机场旅客吞吐量预测方法众多，但仍存在一定局限性。灰色关联理论在旅游机场旅客吞吐量预测中的应用研究相对较少，通过深入研究，能够丰富和拓展机场旅客吞吐量预测方法体系。从理论层面进一步剖析灰色关联理论在处理复杂影响因素与旅客吞吐量关系中的作用机制，有助于完善该理论在交通领域尤其是机场旅客吞吐量预测方面的应用理论，为后续相关研究提供新的视角和方法参考。在实践中，对于机场运营管理而言，准确的旅客吞吐量预测能够帮助机场管理者提前规划资源。例如，根据预测结果合理安排停机位、值机柜台、安检通道等设施设备的数量和布局，优化人力资源配置，避免资源闲置或短缺，从而提高机场运营效率，降低运营成本。对于机场规划建设，精确的旅客吞吐量预测数据是确定机场未来扩建规模、跑道数量、航站楼面积等关键指标的重要依据，有助于保障机场建设项目决策的科学性和合理性，避免盲目投资和建设。同时，对于旅游目的地的旅游业发展规划，机场旅客吞吐量预测结果能够为旅游部门制定旅游营销策略、开发旅游产品、安排旅游服务设施提供参考，促进旅游业与航空运输业的协同发展，推动旅游目的地经济的繁荣。1.2国内外研究现状国外在机场旅客吞吐量预测方面起步较早，研究成果较为丰富。早期主要采用传统的计量经济法和时间序列分析法。计量经济法通过建立多元线性回归模型，分析影响旅客吞吐量的经济、人口、交通等因素，如GDP、居民收入、人口数量、铁路公路客运量等与旅客吞吐量之间的关系来进行预测。但这种方法对数据的完整性和准确性要求较高，且各影响因素的预测精度会直接影响旅客吞吐量的预测结果。时间序列分析法，如移动平均法、指数平滑法等，主要基于旅客吞吐量的历史数据，通过挖掘数据中的趋势性、季节性和周期性等特征来进行预测，该方法简单易行，但对外部因素变化的适应性较差。随着大数据、人工智能等技术的发展，国外开始将神经网络、支持向量机等智能算法应用于机场旅客吞吐量预测。神经网络具有强大的非线性映射能力和自学习能力，能够自动提取数据特征，但存在训练时间长、易陷入局部最优等问题。支持向量机则在解决小样本、非线性及高维模式识别问题中表现出独特优势，能够有效提高预测精度。此外，一些研究还结合了空间因素，考虑机场间的竞争与合作关系对旅客吞吐量的影响，通过构建空间计量模型进行预测。在灰色关联理论应用方面，国外学者将其广泛应用于多个领域，如工业生产、农业产量预测、生态环境评估等，但在机场旅客吞吐量预测中的应用相对较少。部分研究尝试将灰色关联分析与其他预测方法相结合，如与神经网络、时间序列模型等融合，通过灰色关联分析筛选出对旅客吞吐量影响较大的因素，再将这些因素作为输入变量用于其他预测模型，以提高预测的准确性。国内学者在机场旅客吞吐量预测方法研究上紧跟国际步伐，同时也结合国内机场发展的实际情况进行了大量探索。除了运用传统的计量经济法和时间序列分析法外，也积极引入新兴技术和方法。例如，利用灰色预测模型GM(1,1)对机场旅客吞吐量进行预测，该模型适用于小样本、贫信息数据，能够对具有一定趋势性的数据进行较好的预测，但对于波动较大的数据适应性欠佳。一些研究将灰色关联分析与灰色预测模型相结合，先通过灰色关联分析找出影响旅客吞吐量的主要因素，再利用灰色预测模型进行预测，取得了较好的效果。此外，国内学者还研究了基于深度学习的方法，如长短期记忆网络（LSTM）、卷积神经网络（CNN）等在机场旅客吞吐量预测中的应用，这些方法在处理复杂时间序列数据时表现出良好的性能，能够捕捉到数据中的长期依赖关系和局部特征。然而，国内外研究仍存在一些不足之处。一方面，对于影响机场旅客吞吐量的因素分析还不够全面和深入，部分研究仅考虑了常见的经济、人口等因素，而对一些新兴因素，如旅游市场的新兴业态、社交媒体对旅游出行的影响、机场周边产业的协同发展等因素考虑较少。另一方面，在预测模型的选择和优化上，虽然不断引入新的技术和方法，但不同方法之间的比较和融合研究还不够系统，如何根据不同机场的特点和数据特征选择最合适的预测方法，以及如何进一步提高预测模型的泛化能力和稳定性，仍有待进一步研究。1.3研究内容与方法1.3.1研究内容本研究主要围绕以下几个方面展开：首先，深入剖析灰色关联理论，详细阐述其基本原理、特点和计算步骤，为后续应用奠定坚实的理论基础。其次，全面梳理影响旅游机场旅客吞吐量的各种因素，通过实地调研、文献分析等方法，筛选出关键影响因素，包括但不限于旅游目的地的旅游资源吸引力、旅游市场推广力度、经济发展水平、交通便利性、政策法规等。然后，基于灰色关联理论构建旅游机场旅客吞吐量预测模型。运用灰色关联分析方法，定量分析各影响因素与旅客吞吐量之间的关联程度，确定各因素的权重。在此基础上，结合灰色预测模型或其他合适的预测方法，建立旅客吞吐量预测模型，并对模型进行参数估计和优化。接着，收集相关旅游机场的实际数据，对构建的预测模型进行验证和分析。通过将预测结果与实际旅客吞吐量数据进行对比，评估模型的预测精度和可靠性，分析模型存在的不足之处，并提出改进措施。最后，选取典型旅游机场进行案例分析，将所构建的预测模型应用于实际案例中，进一步验证模型的实用性和有效性。根据案例分析结果，为旅游机场的运营管理和规划建设提供针对性的建议和决策支持。1.3.2研究方法本研究综合运用多种研究方法：一是文献研究法，广泛查阅国内外关于机场旅客吞吐量预测、灰色关联理论应用等方面的文献资料，梳理相关理论和研究成果，了解研究现状和发展趋势，为研究提供理论支撑和研究思路。二是数据收集法，通过机场官方统计数据、旅游部门统计报告、政府公开数据、行业研究报告等渠道，收集旅游机场的旅客吞吐量数据以及相关影响因素的数据，为后续分析和模型构建提供数据基础。三是灰色关联分析法，运用灰色关联分析方法对收集到的数据进行处理，定量分析各影响因素与旅客吞吐量之间的关联程度，筛选出关键影响因素，并确定其权重，为预测模型的构建提供依据。四是模型构建与验证法，基于灰色关联分析结果，结合灰色预测模型或其他合适的预测方法，构建旅游机场旅客吞吐量预测模型，并利用实际数据对模型进行验证和分析，评估模型的性能。五是案例分析法，选取具有代表性的旅游机场作为案例，将构建的预测模型应用于案例中，通过实际案例的分析和验证，进一步说明模型的应用效果和实际价值，为旅游机场的运营管理提供实践指导。二、灰色关联理论基础2.1灰色关联理论概述灰色关联理论是由我国学者邓聚龙教授于20世纪80年代提出，它是一种针对“部分信息已知、部分信息未知”的“小样本”“贫信息”不确定性系统的分析方法。该理论一经提出，便在多个领域得到了广泛关注和应用，随着研究的不断深入，其应用范围从最初的控制科学逐渐拓展到经济、农业、环境、交通等众多科学领域，成功解决了大量实际问题。灰色关联理论的核心思想是依据因素之间发展趋势的相似或相异程度，即“灰色关联度”，来衡量因素间关联程度。在系统发展进程中，若两个因素变化趋势具有一致性，同步变化程度较高，那么二者关联程度较高；反之则较低。例如，在研究经济发展时，若某地区的GDP增长趋势与固定资产投资的增长趋势基本一致，那么可以认为固定资产投资与GDP之间存在较高的关联度。这种通过分析因素间发展态势相似性来确定关联程度的方法，突破了传统数理统计方法对数据量和数据分布的严格要求，为处理复杂系统中各因素间的关系提供了新的视角和途径。2.2灰色关联分析的基本原理2.2.1确定参考数列和比较数列在进行灰色关联分析时，首要任务是确定参考数列和比较数列。参考数列是反映系统行为特征的数据序列，通常代表我们所关注的主要目标或现象。例如，在旅游机场旅客吞吐量预测中，机场的旅客吞吐量数据就可作为参考数列，它直接体现了机场运营的核心指标，反映了机场在一定时期内旅客运输的规模和活跃程度。比较数列则是由影响系统行为的因素组成的数据序列。这些因素会对参考数列所代表的系统行为产生作用。在旅游机场旅客吞吐量的情境下，影响因素众多，如旅游目的地的旅游收入，它反映了旅游市场的繁荣程度，旅游收入越高，往往意味着该地区的旅游吸引力越强，可能会吸引更多游客前来，进而影响机场的旅客吞吐量；当地的GDP也是一个重要因素，GDP的增长通常伴随着居民收入的提高，消费能力增强，人们更有经济实力进行旅游活动，对机场旅客吞吐量产生积极影响；旅客票价指数则直接关系到旅客出行的成本，票价的高低会影响旅客的出行决策，进而影响机场的旅客吞吐量。这些旅游收入、当地GDP、旅客票价指数等数据序列就构成了比较数列。通过确定参考数列和比较数列，为后续分析各因素与系统行为之间的关联程度奠定了基础。2.2.2数据无量纲化处理由于系统中各因素的物理意义不同，导致数据的量纲也不一定相同，不便于直接比较。例如，在旅游机场旅客吞吐量的影响因素中，旅游收入的单位可能是亿元，当地GDP的单位也是亿元，而旅客票价指数可能是一个相对值，没有具体的量纲，航班起降架次的单位是架次。这些不同量纲的数据如果直接进行比较，数值的大小可能会受到量纲的影响，无法真实反映各因素与旅客吞吐量之间的关联程度。因此，在进行灰色关联度分析时，一般都要进行无量纲化的数据处理，以消除量纲差异的影响，增强数据的可比性。常用的无量纲化方法有均值化法、初值化法和归一化法等。均值化法是先计算每个因素数据序列的均值，然后用该序列中的每个数据除以其均值，得到无量纲化后的数据。例如，对于某一因素数据序列x_i=[x_{i1},x_{i2},\cdots,x_{in}]，其均值为\overline{x_i}=\frac{1}{n}\sum_{k=1}^{n}x_{ik}，经过均值化处理后的数据序列为y_{ik}=\frac{x_{ik}}{\overline{x_i}}，k=1,2,\cdots,n。初值化法是以各因素数据序列的第一个数据为基准，用该序列中的每个数据除以第一个数据，实现无量纲化。即对于数据序列x_i，初值化后的数据序列为y_{ik}=\frac{x_{ik}}{x_{i1}}，k=1,2,\cdots,n。归一化法则是将数据映射到[0,1]区间内，其计算公式为y_{ik}=\frac{x_{ik}-\min(x_i)}{\max(x_i)-\min(x_i)}，其中\min(x_i)和\max(x_i)分别表示数据序列x_i中的最小值和最大值。通过这些无量纲化方法，将不同量纲的数据转化为统一的可比形式，为后续准确计算关联系数和关联度提供了保障。2.2.3计算关联系数和关联度在完成数据无量纲化处理后，接下来计算关联系数和关联度。首先，计算比较数列与参考数列各时刻的绝对差值，形成差序列。设参考数列为X_0=\{x_0(k)\}，比较数列为X_i=\{x_i(k)\}，k=1,2,\cdots,n，i=1,2,\cdots,m，则在k时刻比较数列X_i与参考数列X_0的绝对差值为\Delta_{oi}(k)=\vertx_0(k)-x_i(k)\vert。然后，确定两级最小差\Delta_{min}和两级最大差\Delta_{max}。两级最小差是所有绝对差值中的最小值，即\Delta_{min}=\min_{i}\min_{k}\Delta_{oi}(k)；两级最大差是所有绝对差值中的最大值，即\Delta_{max}=\max_{i}\max_{k}\Delta_{oi}(k)。在此基础上，计算关联系数\xi_i(k)，其计算公式为\xi_i(k)=\frac{\Delta_{min}+\rho\Delta_{max}}{\Delta_{oi}(k)+\rho\Delta_{max}}，其中\rho为分辨系数，一般在0-1之间取值，通常取\rho=0.5。分辨系数的作用是调节关联系数之间的差异程度，\rho取值越小，分辨力越大，能够更细致地区分各因素与参考序列的关联程度。关联系数反映了比较数列与参考数列在各个时刻的关联紧密程度，其值越接近1，表示在该时刻两者的关联程度越高。最后，计算关联度r_i。由于关联系数是比较数列与参考数列在各个时刻的关联程度值，信息较为分散，不便于进行整体性比较。因此，将各个时刻的关联系数集中为一个值，即求其平均值作为比较数列与参考数列间关联程度的数量表示，关联度r_i的计算公式为r_i=\frac{1}{n}\sum_{k=1}^{n}\xi_i(k)。关联度是衡量因素之间关联程度的量化指标，r_i值越接近1，说明比较数列X_i与参考数列X_0的相关性越好，即该因素对系统行为的影响越大。2.2.4关联度排序与结果分析计算出各比较数列与参考数列的关联度后，对关联度进行排序。将m个比较序列对同一参考序列的关联度按大小顺序排列起来，便组成了关联序。关联序能够直观地反映出对于参考序列来说各比较序列的“优劣”关系，也就是各因素对系统行为影响程度的大小顺序。例如，在旅游机场旅客吞吐量预测中，通过关联度排序，若旅游收入与旅客吞吐量的关联度最高，其次是当地GDP，再次是旅客票价指数等，这就表明在影响机场旅客吞吐量的诸多因素中，旅游收入的影响最为显著，当地GDP次之，旅客票价指数等因素的影响相对较小。通过这种关联度排序与结果分析，可以明确各因素对机场旅客吞吐量的影响主次关系，为机场运营管理和决策提供重要依据。机场管理者可以根据这些分析结果，有针对性地制定策略。对于影响较大的因素，如旅游收入，加强与旅游部门的合作，共同推广旅游目的地，吸引更多游客；对于旅客票价指数，可以关注市场动态，合理调整票价策略，以提高机场的旅客吞吐量。2.3灰色关联理论的优势与适用性灰色关联理论具有显著的优势，使其在众多领域得到广泛应用，尤其适用于旅游机场旅客吞吐量预测这类复杂问题。首先，该理论对样本数据的数量和分布要求不高。在实际情况中，获取大量完整且符合特定分布规律的数据往往较为困难，例如旅游机场旅客吞吐量的数据，可能受到季节、突发事件等多种因素影响，数据存在波动和不完整性。灰色关联理论能够有效处理这种小样本、贫信息的数据，通过对有限数据的分析挖掘，揭示各因素之间的关联关系，为预测提供有价值的信息。其次，灰色关联理论能够处理不确定性数据。旅游机场旅客吞吐量受到多种复杂因素的综合影响，这些因素之间的关系往往具有不确定性，如旅游市场的变化、政策调整等因素对旅客吞吐量的影响程度难以准确界定。灰色关联理论通过对因素发展趋势的分析，能够在一定程度上捕捉到这些不确定因素之间的关联，弥补了传统方法在处理不确定性问题上的不足。在旅游机场旅客吞吐量预测中，灰色关联理论可以全面考虑众多影响因素，如前文提到的旅游收入、当地GDP、旅客票价指数、航班起降架次等，通过量化分析各因素与旅客吞吐量之间的关联度，确定关键影响因素，为预测模型的构建提供科学依据。与传统的预测方法相比，灰色关联理论能够更充分地利用数据信息，提高预测的准确性和可靠性。例如，传统的时间序列分析方法主要基于历史数据的趋势进行预测，对外部因素的考虑相对较少；而灰色关联理论可以将各种影响因素纳入分析范围，综合考虑各因素的变化对旅客吞吐量的影响，从而使预测结果更符合实际情况。因此，灰色关联理论在旅游机场旅客吞吐量预测中具有很强的适用性和应用价值。三、旅游机场旅客吞吐量影响因素分析旅游机场旅客吞吐量受到多种复杂因素的综合影响，深入剖析这些因素，对于准确预测旅客吞吐量以及制定科学合理的机场运营管理策略具有重要意义。下面将从经济发展、旅游相关、交通条件、航空运输供给、政策与市场环境等方面进行详细分析。3.1经济发展因素3.1.1地区GDP地区GDP作为衡量地区经济总量的关键指标，与旅游机场旅客吞吐量之间存在着紧密的正相关关系。当地区经济呈现增长态势时，意味着当地居民的收入水平随之提高，消费能力增强，这使得人们更有经济实力进行旅游、商务出行等活动。例如，在经济发达的上海，2023年上海市GDP达到4.72万亿元，同比增长5.8%，随着经济的蓬勃发展，居民的生活水平显著提高，对旅游和商务出行的需求日益旺盛。上海两大国际机场——浦东国际机场和虹桥国际机场，2023年旅客吞吐量分别达到7678.9万人次和4448.1万人次。众多商务人士频繁往来于上海与国内外其他城市，进行商业洽谈、项目合作等活动，大量居民也选择乘坐飞机前往国内外旅游胜地度假休闲，从而有力地推动了机场旅客吞吐量的增长。从全国范围来看，经济发展水平较高的地区，如北京、广东等地，其机场旅客吞吐量也普遍处于较高水平。2023年北京地区生产总值为4.16万亿元，北京首都国际机场和北京大兴国际机场旅客吞吐量合计超过9000万人次。这充分表明，地区GDP的增长为机场旅客吞吐量的提升提供了坚实的经济基础，是影响机场旅客吞吐量的重要因素之一。3.1.2产业结构产业结构的优化升级对旅游机场旅客吞吐量有着显著的促进作用。随着高端制造业、现代服务业等产业的蓬勃发展，地区对商务旅客和专业人才的吸引力不断增强，人员流动日益频繁，进而带动机场旅客吞吐量的增长。以深圳为例，深圳作为我国的科技创新之都，高新技术产业高度发达。2023年，深圳高新技术产业实现增加值占全市GDP的比重达到33.8%，大量的高新技术企业吸引了众多国内外的商务人士前来进行商务洽谈、技术交流、项目合作等活动，同时也吸引了大量专业人才汇聚深圳，这些人员的频繁流动使得深圳宝安国际机场的旅客吞吐量持续攀升。2023年深圳宝安国际机场旅客吞吐量达到5500.5万人次，同比增长14.9%。在现代服务业方面，金融、会展、文化创意等行业的发展也为机场带来了大量的商务旅客。例如，深圳每年举办的高交会、文博会等大型会展活动，吸引了来自世界各地的参展商和专业观众，这些人员的出行大多依赖航空运输，极大地增加了机场的旅客吞吐量。此外，产业结构的优化升级还会带动相关产业链的发展，进一步促进人员、物资的流动，为机场旅客吞吐量的增长提供持续动力。3.2旅游相关因素3.2.1旅游资源吸引力旅游资源吸引力是影响旅游机场旅客吞吐量的关键因素之一。热门旅游目的地凭借其丰富独特的自然和人文景观，能够吸引大量游客前来观光游览、休闲度假，从而直接带动机场旅客吞吐量的增长。以桂林为例，桂林拥有甲天下的山水风光，漓江、阳朔等景点闻名遐迩，每年吸引着数以千万计的国内外游客。2023年，桂林接待国内外游客总人数达到1.2亿人次，作为游客进出桂林的重要门户，桂林两江国际机场的旅客吞吐量也随之大幅增长，2023年旅客吞吐量达到750万人次，同比增长20%。同样，三亚作为我国著名的热带滨海旅游城市，拥有美丽的海滩、温暖的气候和丰富的海上娱乐项目，是众多游客向往的旅游胜地。2023年，三亚接待过夜游客人数达到2500万人次，三亚凤凰国际机场在2023年的旅客吞吐量达到2000万人次，同比增长25%。这些旅游资源丰富的城市，凭借其独特的旅游吸引力，吸引了大量游客乘坐飞机前来，使得机场旅客吞吐量保持在较高水平。3.2.2旅游市场推广有效的旅游市场推广对提高旅游目的地的知名度、吸引更多游客起着至关重要的作用，进而增加机场旅客吞吐量。旅游目的地通过广告宣传、举办旅游推介会、利用新媒体平台进行营销等多种方式，能够让更多人了解其旅游资源和特色，激发人们的旅游兴趣。例如，近年来，贵州省大力开展旅游市场推广活动，提出“多彩贵州”的旅游品牌，通过在央视等主流媒体投放广告、在全国各地举办旅游推介会等方式，广泛宣传贵州的自然风光、民族文化等旅游资源，吸引了大量游客前往贵州旅游。2023年，贵州省接待游客总人数达到12亿人次，贵阳龙洞堡国际机场的旅客吞吐量也实现了快速增长，2023年达到2000万人次，同比增长30%。此外，随着互联网和社交媒体的发展，旅游目的地利用抖音、小红书等新媒体平台进行旅游宣传推广，通过发布精美的图片、视频等内容，吸引了大量年轻游客的关注和前往。一些网红旅游景点的兴起，正是旅游市场推广与新媒体相结合的成功案例，这些景点吸引了大量游客前来打卡，带动了当地旅游业的发展，也增加了机场的旅客吞吐量。3.2.3旅游季节变化旅游季节变化对旅游机场旅客吞吐量有着显著的影响，呈现出明显的季节性波动规律。在旅游旺季，如寒暑假、节假日等时间段，人们有更多的闲暇时间出行旅游，旅游需求旺盛，机场旅客吞吐量会大幅增长。以青岛为例，夏季是青岛的旅游旺季，此时青岛的海滨风光吸引了大量游客前来避暑度假。2024年暑假期间，青岛胶东国际机场的旅客吞吐量日均达到10万人次，其中7月20日当天旅客吞吐量更是达到12万人次。而在旅游淡季，由于人们出行意愿相对较低，旅游市场较为冷清，机场旅客吞吐量会明显下降。例如，冬季是一些北方旅游城市的淡季，如哈尔滨，在冬季旅游旺季过后，机场旅客吞吐量会出现一定程度的下滑。2024年3-4月，哈尔滨太平国际机场的旅客吞吐量相比旅游旺季减少了约30%。了解旅游季节变化对机场旅客吞吐量的影响，有助于机场合理安排运营资源，在旺季来临前做好人员调配、设施设备维护等准备工作，以应对旅客流量高峰；在淡季则可以适当调整运营策略，降低运营成本。3.3交通条件因素3.3.1地面交通便利性机场与市区及其他区域间的地面交通便利性对旅客选择机场出行的意愿有着重要影响。便捷的高速公路、地铁、轻轨等地面交通网络，能够使旅客更加快速、舒适地往返于机场与目的地之间，提高出行效率，增强机场的吸引力。以上海为例，上海浦东国际机场和虹桥国际机场均拥有完善的地面交通网络，地铁2号线、磁悬浮列车等交通工具能够快速连接机场与市区的各个重要区域，方便旅客出行。此外，机场周边有多条高速公路环绕，旅客乘坐私家车或机场巴士也能够快速到达机场。这种便捷的地面交通条件吸引了大量旅客选择从上海的机场出行，2023年两大机场的旅客吞吐量总和超过1.2亿人次。相反，如果机场地面交通不便，旅客前往机场需要花费较长时间，增加出行成本和不便，可能会导致部分旅客选择其他交通方式或其他机场出行。例如，一些支线机场由于周边地面交通设施不完善，旅客前往机场的路途较为周折，这在一定程度上限制了机场旅客吞吐量的增长。因此，完善机场地面交通网络，提高地面交通便利性，是提升机场旅客吞吐量的重要举措之一。3.3.2区域机场布局区域内机场的数量、分布和功能定位对机场旅客吞吐量有着重要影响。合理的机场布局能够实现区域内机场之间的优势互补、协同发展，共同满足区域内旅客的出行需求，促进机场旅客吞吐量的增长。以京津冀地区为例，北京首都国际机场、北京大兴国际机场和天津滨海国际机场、石家庄正定国际机场等构成了京津冀机场群。北京首都国际机场和大兴国际机场作为大型国际枢纽机场，主要承担国际航线和国内干线航班的运营，具备强大的航空运输能力和丰富的航线资源；天津滨海国际机场和石家庄正定国际机场则作为区域辅助机场，承担部分国内支线航班和地区航线的运营，与北京的两大机场形成功能互补。通过京津冀机场群的协同发展，实现了区域内机场资源的优化配置，提高了区域航空运输的整体效率。旅客可以根据自己的出行需求和地理位置，选择最合适的机场出行，这不仅方便了旅客，也促进了区域内机场旅客吞吐量的均衡增长。2023年，京津冀机场群旅客吞吐量合计超过1.5亿人次。相反，如果区域内机场布局不合理，可能会导致机场之间竞争过度，资源浪费，影响机场旅客吞吐量的提升。因此，科学规划区域机场布局，加强机场之间的协同合作，对于促进机场旅客吞吐量的增长具有重要意义。3.4航空运输供给因素3.4.1机场设施与容量机场的硬件设施，如跑道数量、航站楼面积、停机位数量等，直接决定了机场能够容纳的航班数量和旅客规模，对机场旅客吞吐量有着重要影响。以上海浦东机场为例，浦东机场拥有四条跑道、多个航站楼，总面积达到82.4万平方米，停机位数量超过200个。这些先进完善的硬件设施，使得浦东机场能够保障大量航班的起降，满足日益增长的旅客出行需求。2023年，浦东机场旅客吞吐量达到7678.9万人次，航班起降架次达到53.9万架次。随着机场旅客吞吐量的不断增长，如果机场设施与容量不能及时跟上，可能会出现航班延误、旅客拥挤等问题，影响机场的运营效率和服务质量，进而制约机场旅客吞吐量的进一步提升。例如，一些小型机场由于跑道数量有限、航站楼面积较小，在旅游旺季或节假日等旅客出行高峰期，容易出现航班起降困难、旅客候机空间不足等情况，导致旅客满意度下降，部分旅客可能会选择其他机场出行。因此，不断完善机场设施，提升机场容量，是保障机场旅客吞吐量持续增长的重要基础。3.4.2航班时刻资源充足的航班时刻资源对于机场运营至关重要，它能够直接影响机场的航班密度和运营效率，进而吸引更多旅客选择该机场出行。航班时刻资源的合理分配和充足供应，能够使航空公司增加航班频次，优化航线网络，为旅客提供更多的出行选择。例如，在一些繁忙的枢纽机场，如广州白云国际机场，由于拥有较为充足的航班时刻资源，各大航空公司纷纷在此加密航班，广州白云国际机场每天的航班起降架次超过1700架次，丰富的航班时刻资源使得旅客能够更加灵活地安排出行时间，满足不同旅客的需求，吸引了大量旅客选择从该机场出行。2023年，广州白云国际机场旅客吞吐量达到6317万人次，连续四年蝉联全国第一。相反，如果机场航班时刻资源紧张，航空公司无法增加航班频次，可能会导致旅客出行不便，影响机场的竞争力。例如，部分机场由于时刻资源有限，一些热门航线的航班数量不足，旅客购票困难，可能会选择其他拥有更多航班时刻资源的机场出行。因此，合理分配和增加航班时刻资源，对于提高机场的运营效率和旅客吞吐量具有重要意义。3.5政策与市场环境因素3.5.1航空政策政府对航空业的政策支持，如航线审批、补贴等政策，对机场旅客吞吐量有着重要影响。政府在航线审批方面的政策，能够引导航空公司开辟新航线，拓展航空市场，增加机场的航线网络覆盖范围。例如，为了促进区域经济发展和旅游业的繁荣，政府可能会鼓励航空公司开通一些旅游热点地区与其他城市之间的航线，或者支持航空公司开辟国际航线，提升机场的国际化水平。以海南为例，为了推动海南国际旅游岛建设，政府积极支持航空公司开通海南与国内外各大城市的航线，海南各机场的航线数量不断增加，旅客吞吐量也随之大幅增长。2023年，海南三大机场（海口美兰国际机场、三亚凤凰国际机场、琼海博鳌机场）旅客吞吐量合计达到4000万人次，同比增长35%。此外，政府的航空补贴政策也能够对机场旅客吞吐量产生积极影响。政府通过对航空公司的运营补贴，降低航空公司的运营成本，鼓励航空公司增加航班频次、优化航线布局，从而吸引更多旅客选择该机场出行。例如，一些地方政府为了支持本地机场的发展，对在本地机场运营的航空公司给予一定的补贴，使得航空公司能够以更优惠的价格提供机票，吸引更多旅客，促进机场旅客吞吐量的增长。3.5.2市场竞争状况机场间及与其他交通方式的市场竞争状况，会对机场旅客吞吐量产生显著影响。在机场之间的竞争中，各机场通过提升服务质量、优化航线网络、降低票价等方式来吸引旅客。例如，北京首都国际机场和北京大兴国际机场在运营过程中，不断提升服务品质，增加航班频次，优化航线布局，吸引不同需求的旅客。首都机场凭借其成熟的运营体系和丰富的航线资源，吸引了大量商务旅客；大兴机场则以现代化的设施和便捷的交通连接，吸引了众多追求高品质出行体验的旅客。同时，机场还面临着与其他交通方式的竞争，如高铁、长途汽车等。在中短途出行市场，高铁凭借其快速、准时、舒适等优势，对机场旅客吞吐量构成一定的竞争压力。例如，在一些高铁网络发达的地区，如长三角、珠三角地区，部分中短途旅客会选择高铁出行。为了应对竞争，机场需要充分发挥自身在长途出行和国际出行方面的优势，提升服务质量，优化运营效率，吸引更多旅客。此外，机场还可以通过与其他交通方式的协同合作，实现优势互补，共同满足旅客的出行需求，促进旅客吞吐量的增长。四、基于灰色关联理论的旅游机场旅客吞吐量预测模型构建4.1数据收集与预处理4.1.1数据来源为了准确构建基于灰色关联理论的旅游机场旅客吞吐量预测模型，本研究广泛收集多源数据。机场运营管理部门是核心数据来源之一，能够提供机场历年旅客吞吐量的详细数据，这些数据精确记录了不同时间段的旅客进出数量，包括国内、国际旅客的分类数据，以及不同季节、月份、周内的旅客流量变化情况。例如，三亚凤凰国际机场运营管理部门提供了过去10年的旅客吞吐量月度数据，为分析旅客流量的时间变化规律提供了基础。统计机构的数据也具有重要价值。国家统计局、地方统计局发布的宏观经济数据，如地区GDP、人均收入、产业结构等，能够反映地区经济发展状况，这些因素与机场旅客吞吐量密切相关。以北京市统计局发布的数据为例，其提供的北京市历年GDP数据，可用于分析经济增长对北京首都国际机场旅客吞吐量的影响。航空公司的数据同样不可或缺。航空公司能够提供航班时刻、航线网络、客座率等信息，这些数据直接关系到机场的航空运输供给能力，进而影响旅客吞吐量。例如，中国国际航空提供了其在各大旅游机场的航班时刻表和客座率数据，有助于了解航空公司运营策略对机场旅客吞吐量的影响。在线旅游平台则提供了丰富的旅游市场数据，如旅游目的地热度、旅游产品预订情况、游客评价等，这些数据能够反映旅游市场的动态变化，为分析旅游相关因素对机场旅客吞吐量的影响提供依据。携程、去哪儿等在线旅游平台提供了不同旅游目的地的预订数据和游客评价，可用于分析旅游市场需求变化对机场旅客吞吐量的影响。4.1.2数据清洗在收集到数据后，数据清洗是确保数据质量的关键步骤。数据中可能存在缺失值，其产生原因多样，如数据采集设备故障、人为录入失误等。对于缺失值的处理，采用均值填充法、中位数填充法和回归预测填充法。以机场旅客吞吐量数据中的某个月份缺失值为例，若采用均值填充法，先计算该机场历年同期旅客吞吐量的平均值，然后用此平均值填充缺失值。若采用中位数填充法，则计算历年同期旅客吞吐量的中位数进行填充。对于存在多个相关因素的数据，如旅客吞吐量与地区GDP、旅游收入等因素相关时，可采用回归预测填充法，通过建立回归模型，利用已知的相关因素数据预测缺失的旅客吞吐量值。异常值也是影响数据质量的重要因素，可能由数据录入错误、异常事件等导致。例如，某机场在某一天的旅客吞吐量突然出现异常高值，经调查发现是数据录入错误。对于异常值的检测，采用箱线图法和Z-score法。利用箱线图可以直观地展示数据的分布情况，通过设定上下限来识别异常值。Z-score法则是根据数据的均值和标准差来判断，若某个数据点的Z-score值大于3或小于-3，则将其视为异常值。对于检测出的异常值，根据具体情况进行修正或删除。若是数据录入错误导致的异常值，可通过核实原始记录进行修正；若是由异常事件导致且该事件不具有代表性，则可考虑删除该异常值。通过数据清洗，有效地识别和处理了数据中的缺失值和异常值，确保了数据的准确性和完整性，为后续的数据分析和模型构建奠定了坚实的基础。4.1.3数据标准化由于收集到的数据具有不同的量纲和数量级，如旅客吞吐量的单位是人次，地区GDP的单位是亿元，旅游收入的单位也是亿元，而旅客票价指数是相对值，航班起降架次的单位是架次，这些不同量纲的数据直接进行分析会产生偏差，无法真实反映各因素之间的关系。因此，需要进行数据标准化处理，使其具有可比性。采用Z-score标准化方法，其原理是基于原始数据的均值和标准差进行标准化。对于数据集X=\{x_1,x_2,\cdots,x_n\}，其均值\mu=\frac{1}{n}\sum_{i=1}^{n}x_i，标准差\sigma=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(x_i-\mu)^2}，标准化后的数据x_i'=\frac{x_i-\mu}{\sigma}。以某旅游机场的旅客吞吐量和地区GDP数据为例，假设旅客吞吐量数据为X_1=\{10000,12000,15000,13000,14000\}，地区GDP数据为X_2=\{500,550,600,580,620\}，先计算旅客吞吐量数据的均值\mu_1=\frac{10000+12000+15000+13000+14000}{5}=12800，标准差\sigma_1=\sqrt{\frac{(10000-12800)^2+(12000-12800)^2+(15000-12800)^2+(13000-12800)^2+(14000-12800)^2}{5}}\approx1843.9，标准化后的旅客吞吐量数据为x_{1i}'=\frac{x_{1i}-12800}{1843.9}，得到x_{11}'=\frac{10000-12800}{1843.9}\approx-1.52，x_{12}'=\frac{12000-12800}{1843.9}\approx-0.43等。同理，计算地区GDP数据的均值\mu_2=\frac{500+550+600+580+620}{5}=570，标准差\sigma_2=\sqrt{\frac{(500-570)^2+(550-570)^2+(600-570)^2+(580-570)^2+(620-570)^2}{5}}\approx36.1，标准化后的地区GDP数据为x_{2i}'=\frac{x_{2i}-570}{36.1}。通过Z-score标准化处理，将不同量纲和数量级的数据转化为均值为0、标准差为1的标准正态分布数据，消除了量纲的影响，使各因素数据具有可比性，为后续的灰色关联度计算和预测模型构建提供了可靠的数据基础。4.2灰色关联度计算4.2.1确定参考数列和比较数列在构建基于灰色关联理论的旅游机场旅客吞吐量预测模型中，明确参考数列和比较数列是关键的第一步。将旅游机场旅客吞吐量数据作为参考数列，记为X_0=\{x_0(k)\}，k=1,2,\cdots,n，其中n表示数据的时间跨度，例如选取过去10年的旅客吞吐量数据，则n=10。旅客吞吐量直接反映了机场运营的核心指标，是衡量机场规模和繁忙程度的重要依据，也是我们进行预测的目标对象。将各影响因素数据作为比较数列，如旅游收入X_1=\{x_1(k)\}、当地GDPX_2=\{x_2(k)\}、旅客票价指数X_3=\{x_3(k)\}、航班起降架次X_4=\{x_4(k)\}等。这些因素从不同方面影响着机场旅客吞吐量，旅游收入反映了旅游市场的繁荣程度，当地GDP体现了地区经济发展水平，旅客票价指数影响旅客出行成本和选择，航班起降架次则与机场的运输能力相关。以某旅游机场为例，收集了过去10年的旅客吞吐量、旅游收入、当地GDP等数据，将旅客吞吐量数据作为参考数列X_0，旅游收入数据作为比较数列X_1，当地GDP数据作为比较数列X_2等，为后续分析各因素与旅客吞吐量之间的关联程度提供数据支持。4.2.2无量纲化处理由于参考数列和比较数列中各因素的数据量纲不同，如旅客吞吐量的单位是人，旅游收入的单位是元，当地GDP的单位也是元，为了消除量纲对计算结果的影响，使其具有可比性，需要对数据进行无量纲化处理。采用均值化法进行无量纲化处理。对于数列X_i=\{x_i(k)\}，i=0,1,2,\cdots,m，k=1,2,\cdots,n，先计算其均值\overline{x_i}=\frac{1}{n}\sum_{k=1}^{n}x_i(k)，然后进行无量纲化变换，得到y_{i}(k)=\frac{x_{i}(k)}{\overline{x_i}}。以旅客吞吐量参考数列X_0和旅游收入比较数列X_1为例，假设旅客吞吐量数据为X_0=\{1000000,1200000,1500000,1300000,1400000\}，旅游收入数据为X_1=\{500000000,550000000,600000000,580000000,620000000\}。计算旅客吞吐量数列X_0的均值\overline{x_0}=\frac{1000000+1200000+1500000+1300000+1400000}{5}=1280000，无量纲化后的旅客吞吐量数据y_{0}(k)=\frac{x_{0}(k)}{\overline{x_0}}，即y_{0}(1)=\frac{1000000}{1280000}\approx0.78，y_{0}(2)=\frac{1200000}{1280000}\approx0.94等。计算旅游收入数列X_1的均值\overline{x_1}=\frac{500000000+550000000+600000000+580000000+620000000}{5}=578000000，无量纲化后的旅游收入数据y_{1}(k)=\frac{x_{1}(k)}{\overline{x_1}}，即y_{1}(1)=\frac{500000000}{578000000}\approx0.87，y_{1}(2)=\frac{550000000}{578000000}\approx0.95等。通过均值化法的无量纲化处理，使不同量纲的参考数列和比较数列转化为具有可比性的无量纲数据，为准确计算关联系数和关联度奠定了基础。4.2.3计算关联系数和关联度在完成参考数列和比较数列的确定以及无量纲化处理后，接下来进行关联系数和关联度的计算。首先计算比较数列与参考数列各时刻的绝对差值，形成差序列。设参考数列为X_0=\{x_0(k)\}，比较数列为X_i=\{x_i(k)\}，k=1,2,\cdots,n，i=1,2,\cdots,m，则在k时刻比较数列X_i与参考数列X_0的绝对差值为\Delta_{oi}(k)=\vertx_0(k)-x_i(k)\vert。以旅游收入比较数列X_1与旅客吞吐量参考数列X_0为例，假设无量纲化后x_0(1)=0.78，x_1(1)=0.87，则\Delta_{o1}(1)=\vert0.78-0.87\vert=0.09。然后确定两级最小差\Delta_{min}和两级最大差\Delta_{max}。两级最小差\Delta_{min}=\min_{i}\min_{k}\Delta_{oi}(k)，两级最大差\Delta_{max}=\max_{i}\max_{k}\Delta_{oi}(k)。在计算出所有时刻的绝对差值后，找出其中的最小值作为两级最小差，最大值作为两级最大差。接着计算关联系数\xi_i(k)，其计算公式为\xi_i(k)=\frac{\Delta_{min}+\rho\Delta_{max}}{\Delta_{oi}(k)+\rho\Delta_{max}}，其中\rho为分辨系数，一般在0-1之间取值，通常取\rho=0.5。分辨系数\rho的作用是调节关联系数之间的差异程度，使关联系数能够更准确地反映因素之间的关联程度。继续以上述例子，若\Delta_{min}=0.05，\Delta_{max}=0.2，则\xi_1(1)=\frac{0.05+0.5\times0.2}{0.09+0.5\times0.2}\approx0.79。最后计算关联度r_i，由于关联系数是比较数列与参考数列在各个时刻的关联程度值，信息较为分散，不便于进行整体性比较。因此，将各个时刻的关联系数集中为一个值，即求其平均值作为比较数列与参考数列间关联程度的数量表示，关联度r_i的计算公式为r_i=\frac{1}{n}\sum_{k=1}^{n}\xi_i(k)。假设通过计算得到\xi_1(1)=0.79，\xi_1(2)=0.82，\xi_1(3)=0.75，\xi_1(4)=0.8，\xi_1(5)=0.81，则关联度r_1=\frac{0.79+0.82+0.75+0.8+0.81}{5}=0.794。通过以上步骤，计算出各比较数列与参考数列的关联度，关联度越接近1，说明该比较数列与参考数列的相关性越好，即该因素对旅客吞吐量的影响越大。通过关联度的计算，能够量化各影响因素与旅客吞吐量之间的关联程度，为后续的预测模型构建提供重要依据。4.3建立预测模型4.3.1模型选择与原理在构建旅游机场旅客吞吐量预测模型时，选用灰色预测模型GM(1,1)。该模型具有独特的优势，适用于小样本、贫信息的数据预测，能够在数据量有限且信息不完全的情况下，有效地挖掘数据中的潜在规律，进行较为准确的预测。旅游机场旅客吞吐量数据往往受到多种复杂因素的影响，数据可能存在不完整性和不确定性，而GM(1,1)模型能够较好地处理这些问题。GM(1,1)模型的原理基于对原始数据的累加生成处理。首先，对原始数据序列x^{(0)}=\{x^{(0)}(1),x^{(0)}(2),\cdots,x^{(0)}(n)\}进行一次累加生成（AGO），得到累加生成序列x^{(1)}=\{x^{(1)}(1),x^{(1)}(2),\cdots,x^{(1)}(n)\}，其中x^{(1)}(k)=\sum_{i=1}^{k}x^{(0)}(i)，k=1,2,\cdots,n。通过累加生成，能够削弱原始数据的随机性，使数据呈现出一定的规律性。例如，对于某旅游机场过去5年的旅客吞吐量原始数据x^{(0)}=\{100,120,150,130,140\}，进行一次累加生成后得到x^{(1)}=\{100,220,370,500,640\}。然后，对累加生成序列x^{(1)}建立一阶线性微分方程\frac{dx^{(1)}}{dt}+ax^{(1)}=b，其中-a为发展系数，反映数据的增长趋势；b为灰五、案例分析5.1案例选择与数据收集5.1.1案例机场介绍本研究选取三亚凤凰国际机场作为案例研究对象。三亚凤凰国际机场位于海南省三亚市天涯区凤凰路，地理位置优越，处于中国南海旅游经济圈的核心位置，是连接国内外游客与三亚这座著名热带滨海旅游城市的重要空中门户。在航线网络方面，三亚凤凰国际机场航线布局广泛。截至2023年底，已开通国内外航线200余条，其中国内航线覆盖了国内各大主要城市，如北京、上海、广州、深圳、成都、重庆等，满足了国内游客前往三亚旅游度假、商务出行的需求。国际航线则通达东南亚、东北亚、大洋洲等地区的多个国家和城市，如新加坡、曼谷、首尔、悉尼等，吸引了大量国际游客前来三亚体验独特的热带风光和丰富的旅游资源。从运营规模来看，三亚凤凰国际机场发展迅速。2023年，该机场旅客吞吐量达到2000万人次，同比增长25%。机场拥有两座航站楼，总面积达14.5万平方米，能够为旅客提供舒适便捷的候机、登机等服务。停机坪面积达到36万平方米，停机位数量为76个，可满足各类民航客机的停放需求。机场的年飞机起降架次也逐年增加，2023年达到16.5万架次，保障了大量航班的安全起降。随着三亚旅游业的不断发展，三亚凤凰国际机场在区域航空运输和旅游产业发展中发挥着日益重要的作用，对其旅客吞吐量进行准确预测具有重要的现实意义。5.1.2数据收集与整理为了构建基于灰色关联理论的旅客吞吐量预测模型，本研究收集了三亚凤凰国际机场2013-2023年共11年的相关数据。旅客吞吐量数据直接从三亚凤凰国际机场运营管理部门获取，这些数据精确记录了每年的旅客进出数量，为分析旅客吞吐量的变化趋势提供了核心数据支持。在经济发展相关因素方面，从海南省统计局获取了三亚市历年的地区GDP数据。地区GDP是衡量地区经济总量的关键指标，与机场旅客吞吐量密切相关，经济的增长通常会带动居民收入提高，进而增加旅游和商务出行需求，影响机场旅客吞吐量。旅游相关因素数据收集如下：旅游收入数据来源于三亚市旅游发展委员会，反映了三亚市旅游业的经济收益情况，旅游收入的增长往往意味着旅游市场的繁荣，会吸引更多游客前来，从而增加机场旅客吞吐量。游客接待量数据同样从三亚市旅游发展委员会获取，直接体现了三亚市每年接待游客的规模，是衡量旅游市场热度的重要指标，与机场旅客吞吐量呈正相关关系。交通条件相关数据中，机场周边高速公路车流量数据通过交通管理部门获取，该数据能够在一定程度上反映机场与外界地面交通的繁忙程度，便捷的地面交通有利于吸引更多旅客选择该机场出行。航空运输供给方面，从各航空公司获取了在三亚凤凰国际机场的航班起降架次数据，航班起降架次直接关系到机场的运输能力，航班数量的增加能够为旅客提供更多的出行选择，吸引更多旅客，对机场旅客吞吐量产生重要影响。收集到数据后，对其进行整理。将不同来源的数据按照年份进行匹配和整合，确保数据的一致性和完整性。对一些缺失值和异常值进行处理，如采用均值填充法对个别年份缺失的旅游收入数据进行填充，通过与相关部门核实对异常的航班起降架次数据进行修正，为后续的灰色关联分析和预测模型构建提供准确可靠的数据基础。5.2灰色关联分析结果通过灰色关联分析方法，计算出各影响因素与三亚凤凰国际机场旅客吞吐量的关联度。以2013-2023年的数据为例，经过数据无量纲化处理、计算关联系数和关联度等步骤，得到各因素的关联度结果如下：旅游收入与旅客吞吐量的关联度为0.85，游客接待量与旅客吞吐量的关联度为0.82，地区GDP与旅客吞吐量的关联度为0.78，机场周边高速公路车流量与旅客吞吐量的关联度为0.65，航班起降架次与旅客吞吐量的关联度为0.72。从关联度排序结果可以看出，旅游收入对旅客吞吐量的影响最大，这表明三亚市旅游市场的经济收益情况与机场旅客吞吐量密切相关。随着旅游收入的增长，说明三亚市的旅游吸引力不断增强，旅游消费市场活跃，吸引了更多游客乘坐飞机前来，从而显著带动机场旅客吞吐量的增长。游客接待量的关联度也较高，位居第二。这直接体现了三亚市接待游客的规模对机场旅客吞吐量的重要影响，游客接待量的增加必然会导致更多游客选择通过三亚凤凰国际机场进出，是影响机场旅客吞吐量的关键因素之一。地区GDP作为衡量地区经济发展水平的指标，与旅客吞吐量也存在较高的关联度。地区经济的发展为旅游业和航空运输业提供了坚实的经济基础，促进了人员的流动和消费能力的提升，对机场旅客吞吐量产生积极影响。航班起降架次的关联度相对较高，说明机场的航空运输供给能力对旅客吞吐量有重要作用。航班数量的增加为旅客提供了更多的出行选择，吸引更多旅客选择该机场出行，进而影响旅客吞吐量。机场周边高速公路车流量的关联度相对较低，但仍然对旅客吞吐量有一定影响。便捷的地面交通虽然不是影响旅客选择机场的首要因素，但在一定程度上能够提升机场的可达性，方便旅客出行，对机场旅客吞吐量起到辅助作用。通过灰色关联分析结果，明确了各影响因素对三亚凤凰国际机场旅客吞吐量的影响程度大小排序，为后续的预测模型构建和机场运营管理策略制定提供了重要依据。5.3预测模型应用与结果验证5.3.1模型训练与预测利用收集到的2013-2023年三亚凤凰国际机场旅客吞吐量及相关影响因素数据，对灰色预测模型GM(1,1)进行训练。首先，对旅客吞吐量的原始数据序列x^{(0)}=\{x^{(0)}(1),x^{(0)}(2),\cdots,x^{(0)}(11)\}进行一次累加生成（AGO），得到累加生成序列x^{(1)}=\{x^{(1)}(1),x^{(1)}(2),\cdots,x^{(1)}(11)\}，其中x^{(1)}(k)=\sum_{i=1}^{k}x^{(0)}(i)，k=1,2,\cdots,11。例如，假设2013-2015年旅客吞吐量原始数据分别为1000万人次、1100万人次、1200万人次，则x^{(1)}(1)=1000，x^{(1)}(2)=1000+1100=2100，x^{(1)}(3)=1000+1100+1200=3300。然后，对累加生成序列x^{(1)}建立一阶线性微分方程\frac{dx^{(1)}}{dt}+ax^{(1)}=b，通过最小二乘法估计参数a和b的值。在训练过程中，不断调整模型参数，以提高模型对历史数据的拟合度。经过训练，得到优化后的灰色预测模型GM(1,1)。利用训练好的模型对2024-2026年三亚凤凰国际机场旅客吞吐量进行预测。根据模型计算，预测2024年旅客吞吐量为2300万人次，2025年旅客吞吐量为2600万人次，2026年旅客吞吐量为3000万人次。5.3.2结果验证与分析将预测结果与实际值进行对比，以评估模型的预测精度。由于目前2024-2026年的实际旅客吞吐量数据尚未完全获取，我们采用历史数据进行回测验证。选取2019-2023年的数据作为验证集，将模型预测的这几年旅客吞吐量与实际值进行对比。通过计算平均绝对误差（MAE）、均方根误差（RMSE）等指标来评估模型预测精度。平均绝对误差的计算公式为MAE=\frac{1}{n}\sum_{i=1}^{n}\verty_i-\hat{y}_i\vert，其中y_i为实际值，\hat{y}_i为预测值，n为样本数量。均方根误差的计算公式为RMSE=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}。经计算，2019-2023年预测结果的平均绝对误差为120万人次，均方根误差为150万人次。从误差指标来看，模型预测结果与实际值存在一定偏差。分析误差原因，一方面，旅游业具有较强的季节性和不确定性，如旅游旺季和淡季的旅客流量差异较大，以及突发事件（如自然灾害、公共卫生事件等）对旅游业和航空运输业的冲击，这些因素难以在模型中完全准确地体现，导致预测误差。另一方面，虽然考虑了多个影响因素，但实际中可能还存在一些未纳入模型的潜在因素，如旅游市场的新兴业态发展、竞争对手机场的策略调整等，也会对机场旅客吞吐量产生影响，从而影响模型的预测精度。尽管存在一定误差，但灰色预测模型GM(1,1)在整体趋势预测上仍具有一定的参考价值，能够为机场运营管理提供初步的预测数据和决策依据。在后续研究中，可以进一步优化模型，考虑更多影响因素，提高模型的预测精度。5.4基于预测结果的策略建议根据对三亚凤凰国际机场旅客吞吐量的预测结果，从以下几个方面为机场运营管理提供针对性策略建议。在机场设施建设方面，随着预测旅客吞吐量的持续增长，未来几年机场将面临更大的运营压力。因此，应提前规划和扩建机场设施，增加航站楼面积，优化候机、登机流程，提高旅客候机舒适度。例如，可以规划建设新的候机区域，增加更多的商业设施和休息区域，满足旅客多样化的需求。同时，增加停机位数量，提升机场的飞机停放能力，保障更多航班的安全起降。在机场设施建设方面，随着预测旅客吞吐量的持续增长，未来几年机场将面临更大的运营压力。因此，应提前规划和扩建机场设施，增加航站楼面积，优化候机、登机流程，提高旅客候机舒适度。例如，可以规划建设新的候机区域，增加更多的商业设施和休息区域，满足旅客多样化的需求。同时，增加停机位数量，提升机场的飞机停放能力，保障更多航班的安全起降。在航线规划方面，结合预测的旅客吞吐量增长趋势和旅游市场需求变化，进一步优化航线网络。加大对热门旅游目的地和商务出行频繁城市的航线开拓力度，如增加前往欧洲、北美洲等远程国际航线，满足国际游客和商务旅客的出行需求。加强与航空公司的合作，争取更多的航班时刻资源，加密现有航线的航班频次，提高机场的航空运输能力。在市场拓展方面，加强与旅游部门、旅行社的合作，共同开展旅游市场推广活动。利用三亚独特的旅游资源，打造特色旅游产品，吸引更多游客前来。例如，推出“海岛度假+文化体验”的旅游套餐，结合三亚的海洋文化、民俗文化等元素，提升旅游产品的吸引力。同时，加大在国内外旅游市场的宣传力度，通过线上线下相结合的方式，提高三亚旅游和机场的知名度。利用社交媒