一、 经济理论陈述
在研读了大量统计和计量资料的基础上，选择了三个大方面进行研究，既包括旅游人数，人均旅游花费和基本交通建设。其中，在旅游人数这个解释变量的划分上，我们考虑到随着全球经济一体化的发展，越来越多的外国游客来中国旅游消费。中国旅游的国际市场是个有发展潜力的新兴市场，尽管外国游客前来旅游的方式包罗万象而且消费能力也不尽相同，但从国际服务贸易的角度出发，我们在做变量选择时，运用国际营销的知识进行市场细分，划分了国际和国内两个市场。这样，在旅游人数这个解释变量的最终确定上，我们选择了X2国内旅游人数，X3入境旅游人数。这点选择除了理论支持外，在现实旅游业发展中我们也看到很多景区包括成都的近郊也有不少外国游客的身影。所以，我们选取这两个解释变量等待下一步进行模型设计和检验。
另外，对于人均旅游花费，我们在进行市场细分时，没有延续前两个变量的选择模式，有几个原因。首先，外国游客前来旅游的形式和消费方式各异且很难统计。我们在花大力气收集数据后，仍然没有比较权威的统计数据资料。其次，随着国家对农业的不断重视和扶持，我国农业有了长足发展。农村居民纯收入增加，用于旅游的花费也有所上升。而且鉴于农村人口较多，前面的市场细分也不够细化，在这个解释变量的确定上，我们选择农村人均旅游花费，既是从我国基本国情出发，也是对第一步研究分析的补充。所以我们确定了X4城镇居民人均旅游花费和X5农村居民人均旅游花费。
旅游发展除了对消费者市场的划分研究，还应考虑到该产业的基础硬件设施。在众多可选择对象中我们经分析研究结合大量文献资料决定从交通建设着手。在我国，交通一般分布为公路，铁路，航班，航船等。由于考虑到我国一般大众的旅游交通方式集中在公路和铁路
上，为了避免解释变量的过多过繁以及可能带来的多重共线形等问题，我们只选取了前二者。即确定了X6公路长度和X7铁路长度这两个解释变量。其中，考虑到我国旅游业不断发展过程中，高速公路的修建也不断增多，在X6的确定过程中，我们已经将其拟合，尽量保证解释变量的完整和真实。
二、 相关数据
三、 计量经济模型的建立
Ｙ＝ｃ（１）＋ｃ（２）＊Ｘ２＋ｃ（３）＊Ｘ３＋ｃ（４）＊Ｘ４＋ｃ（５）＊Ｘ５＋ｃ（６）＊Ｘ６＋Ｕ 我们建立了下述的一般模型： 其中
Ｙ——1994-2003年各年全国旅游收入 Ｃ（１）——待定参数
X2——国内旅游人数 （万人） X3——入境旅游人数 （万人）
X4——城镇居民人均旅游花费 （元） X5——农村居民人均旅游花费 （元） （万公里） X6——公路长度（含高速）
X7——铁路长度 （万公里） Ｕ——随即扰动项
四、 模型的求解和检验
利用Eviews软件，采用以上数据对该模型进行OLS回归，结果如下：
Dependent Variable: Y
Method: Least Squares Date: 12/23/10 Time: 01:56 Sample: 1994 2003 Included observations: 10
Variable C X2 X3 X4 X5 X6 X7
R-squared
Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
Coefficient -340.5047 -0.001616 0.232358 6.391052 -1.046757 5.673429 -474.3909
Std. Error 1357.835 0.013520 0.128017 1.716888 1.224011 6.667266 355.7167
t-Statistic -0.250770 -0.119529 1.815050 3.722463 -0.855187 0.850938 -1.333620
Prob.?? 0.0882 0.1524 0.1671 0.0337 0.0453 0.4573 0.2745 2494.200 980.4435 12.28407 12.49588 138.0609 0.000944
0.996391 ????Mean dependent var 0.989174 ????S.D. dependent var 102.0112 ????Akaike info criterion 31218.86 ????Schwarz criterion -54.42035 ????F-statistic 3.244251 ????Prob(F-statistic)
由此可见，该模型可决系数很高，F检验显着，但是X2、X6、X7的系数t检验不显着，且X7的系数符号不符合经济意义，说明存在严重的多重共线性。 所以进行以下修正：
〈一〉．计量方法检验及修正 多重共线性的检验：
首先对Y进行各个解释变量的逐步回归, 由最小二乘法，结合经济意义和统计检验得出拟合效果最好的两个解释变量如下：
Dependent Variable: Y Method: Least Squares
Date: 12/23/10 Time: 02:00 Sample: 1994 2003 Included observations: 10
Variable C X4 X5
R-squared
Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
Coefficient -3193.041 9.729003 -1.197036
Std. Error 606.2101 1.435442 2.059371
t-Statistic -5.267217 6.777703 -0.581263
Prob.?? 0.0012 0.0003 0.1293 2494.200 980.4435 13.95532 14.04609 78.43859 0.000016
0.957285 ????Mean dependent var 0.945081 ????S.D. dependent var 229.7654 ????Akaike info criterion 369544.9 ????Schwarz criterion -66.77660 ????F-statistic 0.791632 ????Prob(F-statistic)
继续采用逐步回归法将其余解释变量代入，得出拟合效果最好的三个解释变量，结果如下：
Dependent Variable: Y Method: Least Squares Date: 12/23/10 Time: 02:01 Sample: 1994 2003 Included observations: 10
Variable C X2 X4 X5
R-squared
Adjusted R-squared S.E. of regression Sum squared resid
Coefficient -3391.810 0.029414 6.355459 -0.284542
Std. Error 514.1119 0.014525 2.050175 1.772604
t-Statistic -6.597416 2.025042 3.099959 -0.160522
Prob.?? 0.0006 0.0393 0.0211 0.1077 2494.200 980.4435 13.63446 13.75550
0.974627 ????Mean dependent var 0.961940 ????S.D. dependent var 191.2739 ????Akaike info criterion 219514.3 ????Schwarz criterion
Log likelihood Durbin-Watson stat
-64.17232 ????F-statistic 1.328513 ????Prob(F-statistic)
76.82334 0.000035
以上模型估计效果最好，继续逐步回归得到以下结果：
Dependent Variable: Y Method: Least Squares Date: 12/23/10 Time: 02:40 Sample: 1994 2003 Included observations: 10
Variable C X2 X3 X4 X5
R-squared
Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
Coefficient -1973.943 -0.005095 0.328279 4.665485 -1.714020
Std. Error 441.5947 0.011431 0.080682 1.158665 0.999029
t-Statistic -4.470034 -0.445729 4.068802 4.026602 -1.715686
Prob.?? 0.0066 0.6744 0.0096 0.0101 0.1469 2494.200 980.4435 12.37329 12.52458 211.1311 0.000009
0.994114 ????Mean dependent var 0.989406 ????S.D. dependent var 100.9150 ????Akaike info criterion 50919.23 ????Schwarz criterion -56.86644 ????F-statistic 3.034041 ????Prob(F-statistic)
各项拟合效果都较好。虽然X2的t检验不是很显着，但考虑到其经济意义在模型中的重要地位，暂时保留。继续引入X6。
Dependent Variable: Y Method: Least Squares Date: 12/23/10 Time: 02:41 Sample: 1994 2003 Included observations: 10
Variable C X2 X3 X4 X5 X6
R-squared
Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
Coefficient -2034.155 -0.007033 0.299562 4.787986 -1.511851 2.062334
Std. Error 525.2137 0.014095 0.128626 1.339888 1.282385 6.659247
t-Statistic -3.873004 -0.498977 2.328946 3.573423 -1.178937 0.309695
Prob.?? 0.0179 0.6440 0.0803 0.0233 0.1638 0.7723 2494.200 980.4435 12.54959 12.73114 138.3830 0.000144
0.994252 ????Mean dependent var 0.987067 ????S.D. dependent var 111.4976 ????Akaike info criterion 49726.89 ????Schwarz criterion -56.74797 ????F-statistic 3.130122 ????Prob(F-statistic)
根据以上回归结果可得，X6的引入使得模型中X2、X6的t检验均不显着，再考察二者的相关系数为0.949132，说明X2、X6高度相关，模型产生了多重共线性，因此将X6去掉。
再将X7代入检验。
Dependent Variable: Y Method: Least Squares Date: 12/23/10 Time: 02:42 Sample: 1994 2003 Included observations: 10
Variable C X2 X3 X4 X5 X7
R-squared
Adjusted R-squared
Coefficient -641.0670 0.001432 0.315742 5.694229 -1.631710 -351.4600
Std. Error 1265.065 0.012579 0.079487 1.456042 0.977195 313.6492
t-Statistic -0.506746 0.113838 3.972264 3.910759 -1.669790 -1.120551
Prob.?? 0.0190 0.9149 0.0165 0.0174 0.1703 0.3252 2494.200 980.4435
0.995521 ????Mean dependent var 0.989921 ????S.D. dependent var
S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
98.43019 ????Akaike info criterion 38754.01 ????Schwarz criterion -55.50141 ????F-statistic 2.850083 ????Prob(F-statistic)
12.30028 12.48183 177.7916 0.000087
X7的系数为负，与经济意义相悖，因此也去掉。由此确定带入模型的解释变量为X2、X3、X4、X5。
异方差性的检验：
再对模型的异方差性进行检验：鉴于我们的样本资料是时间序列数据，选用ARCH检验。
ARCH Test: F-statistic Obs*R-squared
0.839718 0.812449
0.044061 ????Probability 0.056296 ????Probability
Test Equation:
t-Statistic 1.629918 0.209908
Prob.?? 0.1471 0.8397 5645.880 6668.507 20.76857 20.81239 0.044061
Dependent Variable: RESID^2 Method: Least Squares Date: 12/23/10 Time: 02:43 Sample (adjusted): 1995 2003
Included observations: 9 after adjustments
Variable C RESID^2(-1) R-squared
Adjusted R-squared S.E. of regression Sum squared resid Log likelihood
Coefficient 5197.741 0.079216
Std. Error 3188.960 0.377385
0.006255 ????Mean dependent var -0.135708 ????S.D. dependent var 7106.603 ????Akaike info criterion 3.54E+08 ????Schwarz criterion -91.45855 ????F-statistic
Durbin-Watson stat 1.810449 ????Prob(F-statistic) 0.839718
这里Obs*R-squared为0.056296，P=0.812449>0.05 所以接受H0，表明模型中随机误差项不存在异方差。 再考虑P=3的情况：
ARCH Test: F-statistic Obs*R-squared
0.938100 0.852354
0.126837 ????Probability 0.787922 ????Probability
Test Equation:
t-Statistic 0.024924 0.302751 0.197746 0.580516
Prob.?? 0.9817 0.7819 0.8559 0.6023 4377.448 7000.432 21.41462 21.38371 0.126837 0.938100
Dependent Variable: RESID^2 Method: Least Squares Date: 12/23/10 Time: 02:46 Sample (adjusted): 1997 2003
Included observations: 7 after adjustments
Variable C RESID^2(-1) RESID^2(-2) RESID^2(-3) R-squared
Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
Coefficient 206.9671 0.162377 0.112799 0.331276
Std. Error 8303.931 0.536337 0.570427 0.570658
0.112560 ????Mean dependent var -0.774879 ????S.D. dependent var 9326.298 ????Akaike info criterion 2.61E+08 ????Schwarz criterion -70.95118 ????F-statistic 1.521751 ????Prob(F-statistic)
这里Obs*R-squared为0.787922，P=0.852354>0.05
。所以仍然接受H0，表明模型中随机误差项不存在异方差。
自相关性的检验：
随机扰动项可能存在一阶负自相关。借助残差项和其一阶滞后项的二维坐标图进一步分析：
由图示可看出，残差项和其一阶滞后项显然存在负自相关，然后利用对数线形回归修正自相关性，得到相应结果如下：
Dependent Variable: LOG(Y) Method: Least Squares Date: 12/23/10 Time: 02:52 Sample: 1994 2003 Included observations: 10
Variable C LOG(X2) LOG(X3) LOG(X4) LOG(X5)
R-squared
Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
Coefficient -8.769551 0.324789 0.384066 1.482683 0.005750
Std. Error 2.012276 0.343868 0.227746 0.313487 0.068955
t-Statistic -4.358027 0.944516 1.686378 4.729643 0.083382
Prob.?? 0.0073 0.0383 0.0225 0.0052 0.0468 7.740729 0.442977 -3.131931 -2.980639 233.6398 0.000007
0.994678 ????Mean dependent var 0.990421 ????S.D. dependent var 0.043355 ????Akaike info criterion 0.009398 ????Schwarz criterion 20.65966 ????F-statistic 2.052287 ????Prob(F-statistic)
从估计的结果看，DW=2.052287，说明修正后有了明显好转，随机扰动项几乎不存在一阶自相关。
我们进行了一系列检验和修正后的最终结果如下：
R2=0.994678 R2=0.990421 F=233.6398
五、 经济意义解释
C3和C3分别衡量我国旅游收入关于国内和入境旅游人数的弹性，也就是表示当旅游人数每变动百分之一时，平均来说，旅游收入变动的百分比。
这里要特别注意，例如1998年国内旅游人数为69450万人，入境旅游人数为 6347.8万人，则国内旅游人数每增加1%，即增加694.5万人，国内旅游收入增加0.325%，而入境旅游人数每增加1%，即增加63.5万人，国内旅游收入增加0.384%。
C4和C5分别衡量我国旅游收入关于我国城镇居民和农村居民人均旅游花费的弹性，也就表示当人均花费每变动百分之一时，平均来说，旅游收入变动的百分比。城镇居民人均旅游花费每增加1%，国内旅游收入增加1.483%；农村居民人均旅游花费每增加1%，国内旅游收入增加0.0057 %。
六、 政策建议
为了促进我国旅游事业的快速发展，我们提出了以下几点建议： 1、实施政府主导型旅游发展战略
政府主导型旅游发展战略是按照旅游业自身的特点，在以市场为主，合理配置资源的基础上，充分发挥政府的主导作用，促进旅游业更快发展。 （1）建设和完善旅游法制体系，力争《旅游法》的尽早出台。
（2）提高旅游管理部门的地位，或组织高层次的协调机制，以适应旅游产业大规模和大发展的前景。
（3）中央政府的主导需要相应的资金基础。从1992年起，财政部建立了旅游发展基金，其来源是在出境机场费中加收20元人民币，对旅游业的发展起到了积极的作用。考虑到旅游大发展的需要，多渠道，多形式开辟政府基金来源是必要的。
（4）加大促销投入。长期以来我国促销经费严重缺乏。中央一年所能提供的促销经费
不足500万美元，这大大限制了我国对国际旅游市场大面积，深层次的开发，难以产生影响客源流向的招徕效果。从国际上看，为了使自己处在有利的市场竞争地位，每个国家每年都投入相当数量的旅游经费，用于开展旅游对外促销活动。按照世界一般规律，吸引一个国际旅游者平均需要3—5美元的促销经费，而我国尚不足0.5美元，这种状态，显然无法适应国际旅游市场竞争的需要。 因此，在政府主导型战略的实施中加大促销投入是一项重要的工作。 2、旅游市场创新
旅游经济是特色经济，而特色就需要充分地发扬创新意识，做到人无我有，人有我精，人精我专。 对于旅游市场的开拓，各地旅游开发和建设模式大同小异，无论是山水风景区，历史文化名城，滨海沙滩度假地，还是温泉休养区，大都只是大众旅游市场的共同特征，因此，重复建设的模式正成为旅游开拓市场的通病。
随着现代旅游者需求日益成熟，伴随着主题公园等人造景区大规模发展之势，生态旅游由于世界各国重视人和自然共生共存共荣环保概念的强化，以可持续发展为方向的生态旅游正在世界各地呈方兴未艾之势。区域旅游的发展开始以若干不同旅游项目满足相应不同分众市场的开发模式以获得综合整体效益，形成规模经济的发展趋势。 3、不同产业匹配发展
产业之间相互联系，旅游业的存在不是独立的，在促进旅游业的同时也要加大工业和农业的发展。如我国农业人口占据很大比例，而国内旅游收入的主要来源集中在为数不多的城镇居民上，农村市场还存在很大的空白。可以说，我国的国内旅游市场还没有开发完全，农村市场非常广阔，具有很大潜力，所以发展农业，必然会极大促进我国的旅游事业。
因篇幅问题不能全部显示，请点此查看更多更全内容