一、我国民航客运量实证研究（论文文献综述）
杨志伟[1]（2021）在《我国民航客运量影响因素分析及建模预测》文中研究指明随着我国经济快速且高质量地发展以及交通设施和基础建设的不断完善,人们在交通出行上有了更多样化的选择,我国民航业也迎来了更为广阔的市场。然而,影响民航业发展的因素繁多,民航业主体想要抓住机遇加快发展以满足我国人民日益增长的航空出行需求则必须有的放矢。因此,对于民航业发展影响因素的研究分析便显得尤为重要。本文基于从中国交通年鉴及国家统计局网站选取的1990年至2019年共计30年的我国民航客运量及其14项影响因素数据,利用灰色关联分析计算出灰色关联度,并以之作为层次分析法的打分标准构造出两两比较判断矩阵,对我国民航客运量及其影响因素间的关联度和影响度进行了分析说明。为了了解我国民航客运量数据的未来发展趋势,本文还使用了灰色预测模型对我国民航客运量进行相应预测。分析结果显示,我国民航客运量及其14项影响因素的影响度排名前7项的影响因素分别是人均GDP、居民消费水平、民用汽车拥有量、国民总收入、民用航空航线里程、普通本专科毕业生数以及入境游客数,影响度大小分别为21.50%、20.58%、18.89%、10.39%、5.07%、5.07%和3.02%。发现宏观经济指标对民航客运量的影响较大,关系更为紧密。在随后的预测模型建立中,本文将1990年至2019年共计30年的我国民航客运量数据分为两部分,使用前25年数据作为训练集,后5年数据作为测试集,建立GM（1,1）预测模型。其中测试集上预测相对误差分别为4.6%、5.4%、5.2%、6.9%和11.8%,平均相对误差为6.7%,而训练集的平均相对误差约为7.0%,两部分的平均相对误差都小于10%,GM（1,1）预测模型成功通过了模型精度检验。最后,使用GM（1,1）预测模型对2020年至2022年我国民航客运量数据进行预测,预测结果表明,2020年我国民航客运量为83216万人次,2021年为93836万人次,而2022年将首次突破10亿,达到105812万人次。通过本文的研究,可为相关政府制定民航发展政策提供相应理论依据,也有利于我国民航业主体改善利润结构、优化经营方式。
王景荣[2]（2021）在《民航与铁路客运需求预测以及疫情的影响》文中研究表明在当今社会中,发达的运输业已经成为一个国家发展和进步的重要象征,是经济发展的基石。同时,工业的快速发展离不开交通运输业的推动,其为企业减少了时间和运输成本,促进了产品的社会流通,加速了消费的升级,在国家建设的各个方面有着难以估量的贡献。我国交通运输业发展迅速,其不仅加速了经济的发展,而且给人们的生活带来了很大的便利。为了能够对运输业的发展提供更多的信息,需要对客运量数据有准确的把握,客运量预测已经变成了交通运输部门工作中不可或缺的一部分。2020年初新冠肺炎病例在我国被发现,随后各个省份都受到了疫情的影响,我国经济发展和生产活动陷入的短暂的停顿。交通运输业受到疫情的影响导致客运量出现了严重的下降,这给客运量的预测带来了不小的困难,为了能使交通运输也在疫情后快速恢复,给相关部门提供制定政策的依据,也为民航和铁路建设提供科学和合理保障,有必要探究在疫情影响下如何精确地预测客运量的问题。本文以2010年1月至2020年9月的民航和铁路客运量为研究对象,首先探究了影响客运量生成的因素,选取了GDP、第三产业增加值、城镇居民人均可支配收入、节假日、城镇居民人均消费支出作为客运量的影响因素,为了能够描述出新冠肺炎疫情对客运量的影响,将新冠肺炎现有确诊病例作为影响因素添加至模型中,之后根据客运量非线性非平稳的数据特征,采用经验模态分解（EMD）将客运量数据分解成不同频率的序列,并借助均值重构法将序列重构为高频、低频、余项序列,对重构序列所代表的含义进行分析。在对序列进行预测时,利用排列熵（PE）判断数据的复杂程度,根据数据的复杂度选取合适的模型建模,复杂度低的余项序列采用简单的岭回归模型,而复杂度高的高频、低频序列采用粒子群优化的支持向量机模型建模,将每种序列的预测结果加总得到客运量的最终预测结果;通过模型对比表明本文使用的分解集成模型能有效的提高客运量预测的准确度。利用本文提出的模型对2020年最后三个月的客运量进行预测,预测误差较小,说明模型可以用于预测。本文还对客运淡、旺季和疫情对客运量预测的影响进行了分析,模型预测结果表明,考虑客运淡、旺季和疫情因素的预测模型的预测精度更高。
赵芳卉,陈琳,李冬青[3]（2021）在《基于SARIMA-GARCH模型的民航客运量研究》文中指出民航客运量的研究有利于帮助政府和民航企业合理优化资源配置、制定运输规划。本文以2005年1月至2019年6月我国民航客运量的时间序列数据为研究对象,首先针对数据呈现的趋势及季节波动特征建立SARIMA （1,1,1）（0,1,1）12模型。其次,为提高模型预测精度,加入GARCH模型消除SARIMA （1,1,1）（0,1,1）12模型回归残差的异方差并建立SARIMA （1,1,1）（0,1,1）12-GARCH （1,1）模型,利用2019年7-12月的数据对模型进行验证,结果表明该模型预测的平均相对误差为1.32%,低于SARIMA （1,1,1）（0,1,1）12模型的3.27%。最后运用SARIMA （1,1,1）（0,1,1）12-GARCH （1,1）模型预测2020年1-6月的民航客运量,分析民航业受疫情的影响并给出建议。
陈凤[4]（2020）在《交通基础设施投资对区域经济增长影响的差异性研究 ——以西北五省区为例》文中认为本文在文献综述的基础上,对西北五省交通基础设施投资的经济增长效应进行分析,然后选取了西北五省“十一五”到“十三五”期间交通基础设施的营运里程、客运量、货运量三个指标,通过定性与定量相结合的方式描述交通基础设施发展现状（本文以公路、铁路、航空交通基础设施为研究对象）。本文以柯布-道格拉斯生产函数为基础构建出模型,基于1978-2017年西北五省的数据,通过相应的检验,并对模型进行回归分析得出西北五省的交通基础设施投资对经济增长的影响系数。此外,为进一步比较分析各省交通基础设施投资对经济增长影响的差异,回归出各省经济增长对交通基础设施投资的弹性系数,并对实证结果进行比较与分析,得出四个结论:第一,交通基础设施投资对经济较为发达的陕西省产生了抑制作用,但是抑制作用表现的不明显。而对于相对落后的其他四个省份来说,交通基础设施投资对经济增长有显着的促经作用。第二,西北五省区的经济增长是多种要素综合影响的结果,单纯依靠交通基础设施投入并不能最大限度的推动经济增长,还应该将地区产业结构、劳动力水平、贸易水平以及政府消费等诸多因素考虑在内。第三,总体而言,政府消费支出对于西北五省的经济增长均有显着的促进作用,政府投资交通基础设施对提高西北五省的经济增长会产生长期的正向作用。第四,西北五省之间交通基础设施的发展水平还存在很大差距,交通基础设施投资对经济增长的作用在五省之间也存在很大差距。最后,针对实证结论提出相应的对策建议。
郭猛[5]（2020）在《基于组合模型的北京民航客运量预测研究》文中认为随着我国社会经济的发展,在出行方面越来越多的人追求高效、舒适的交通工具。因此,中国民航业在近些年的发展中,无论在规模上还是服务质量上都有着长足的进步。民航客运量不仅是反映民航运输业繁忙程度的参考,也是制定运输生产计划、研究运输发展的主要指标。所以使用科学的方法进行客运量的预测,就变得尤为重要。2019年9月北京大兴机场的投入运营,这将对北京民航业产生巨大影响。基于此,对北京民航客运量预测也变的更具有实际意义。文章首先从经济、旅游、竞争、机场运营能力四个方面的11个因素来构建影响北京民航客运量的因子指标,并运用相关分析法通过比较偏相关系数最终确立了5主要影响因素;然后利用训练数据对北京民航客运量构建ARIMA模型、BP神经网络模型、串联式组合模型、并联式组合模型进行预测,并使用测试数据对四类模型的预测精度进行验证,通过构建模型评价体系来衡量模型的优劣;最终验证了并联式组合模型中的有序加权组合模型在北京民航客运量的预测中效果最佳。结合实际情况,考虑到并联式有序加权组合模型并不能对未来客运量进行预测的这一客观事实,所以在文章中提出一种改进型的并联式组合模型来对未来北京民航客运量进行预测。通过对预测结果的精度验证,认为该改进型并联组合模型比单一模型的预测精度高。实证分析表明:各预测模型的精准度从高到低依次为并联式组合模型、ARIMA模型、串联式组合模型、BP神经网络模型。其中并联式组合中的有序加权组合模型的预测精度最高,其平均相对误差仅为1.01%;BP神经网络模型的预测精度最低,平均相对误差为5.13%。运用改进后的并联式组合模型预测时其平均相对误差为1.75%,比ARIMA模型低1.02%,比串联式组合模型的预测精度高出近一倍。利用该改进型并联式组合模型对北京民航客运量进行预测,从预测结果上看未来12个月的北京民航客运量仍会稳步增长,与过去的36个月相比不会出现较大的波动。
段喻琳[6]（2020）在《中国旅游服务贸易国际竞争力指数测算和影响因素实证分析》文中指出据商务部外贸司,2019年我国对外贸易进出口总额为31.54万亿人民币,当年全年贸易总额与GDP的比值约为31.74%,由此可见对外贸易对我国经济增长的重要性。按照IMF的统计数据,2018年我国服务贸易逆差为2992亿美元,该项逆差位居全球第一位,其中大半为旅游服务贸易逆差。可见旅游服务贸易国际竞争力及其影响因素是值得研究的议题。本文首先通过利用1998-2018年的相关数据构造的我国旅游服务贸易的MS指数、TC指数、RCA指数以及NRCA指数测度了我国旅游服务贸易的国际竞争力,并与部分旅游强国进行了比较。然后构建我国旅游服务贸易国际竞争力的影响因素的向量自回归VAR模型,通过脉冲响应函数与方差分解,实证研究了我国消费者信心指数、航空客运量、铁路客运量、实际利用外商直接投资以及旅游外汇收入本身对我国旅游外汇收入（以该指标衡量我国旅游服务贸易国际竞争力）的影响。得出以下基本结论:（1）近几年我国旅游服务贸易的MS指数在3%以下,TC指数在-0.7左右,RCA指数在0.6到0.8之间,NRCA指数在-3.6到-3.8之间,综合各项指数,我国旅游服务贸易基本不具备国际竞争力,目前处于比较劣势;（2）对我国旅游外汇收入影响最大的还是旅游外汇收入本身,可以说旅游外汇收入有较强的自相关性;（3）民航客运量是除了旅游外汇收入本身外对旅游外汇收入影响最大的因素,且影响持续时间很长,始终保持较高的正值水平,对旅游服务贸易变动的贡献度很大,可达40%以上;（4）消费者信心指数对旅游外汇收入的影响也较大,短期影响总体而言是正向的,但是之后的趋势是负向的,且负向影响作用越来越大;消费者信心指数的提高长期而言不利于我国旅游收入的提高,并且是其变化的重要因素;（5）实际利用外商直接投资对我国旅游外汇收入的影响作用较小,有一个由负向影响迅速转为正向影响的过程,最终的趋势是正向影响作用越来越大,虽然增长较为缓慢,但是总体趋向于增加我国旅游外汇收入;从对我国旅游外汇收入的贡献度看,外商直接投资额对我国旅游外汇收入的重要程度不高。
郭鹏程[7]（2020）在《中国民航客运碳排放时空演变与影响因素研究》文中研究表明在全球变暖等环境问题日益突出、国际社会聚焦关注碳排放的发展背景下,中国民航业仍将在相当一段时间内保持较快发展。中国民航业的低碳化发展势在必行。首先,基于中国民航业及民航客机相关数据和参数,测算2000年-2018年民航客运碳排放量,对碳排放的时空演变特征进行分析;其次,借助Kaya恒等式和灰色关联法对中国民航客运碳排放的影响因素进行了分析;第三,借助STIRPAT模型和情景分析法对2019年-2050年中国民航客运碳排放做出预测,找到峰值及其出现年份。为中国民航业低碳化发展提供理论借鉴意义。主要结论如下:1)2000年-2018年中国民航客运碳排放整体呈波动增长趋势,由1322.11×104t增加至15164.91×104t,增幅为1047.02%。人均碳排放量呈波动增长趋势,由197.79kg/人增至239.90kg/人,增幅为21.29%。碳排放强度呈整体下降趋势,由1.73kg/tkm降为0.92kg/tkm,下降0.81kg/tkm。中国民航客运碳排放的赫希曼指数（HHI）总体呈下滑趋势,但仍属于高寡占Ⅰ型,各区域的HHI虽存在较大差异但均呈下降趋势。2)东、中、西、东北四个地区民航客运碳排放量的差距呈拉大趋势。将民航客运碳排放划分为低、较低、中、较高、高五个排放等级,各区域在2000年、2006年、2012年和2018年四个时间节点的等级变化为:东部地区（较低-中-高-高）、中部地区（低-低-较低-中）、西部地区（低-较低-中-高）、东北地区（低-低-低-较低）,各区域呈现由低到高的演变趋势。地级城市机场的不断新增及升级是各区域民航客运碳排放发展的动力之一。3)中国民航客运碳排放的主要影响因素并按影响程度排序分别为:民航客运周转量、燃油消耗、经济发展水平、人口规模。4)中国民航客运在情景W和情景N中分别于2048年（21375.12×104t）和2041年（19375.46×104t）出现碳排放峰值,但为了配合2030年中国碳排放整体达峰的目标,情景N即高速发展情景下的中国民航客运发展更符合发展预期。
杨帆[8]（2019）在《北京市旅游服务贸易出口竞争力研究》文中研究指明经济的不断发展带来了人们生活档次的上升,外出旅游的人越来越多。北京作为中国政治文化和国际交往的中心,地区生产总值高,交通运输设施完善,有着3000多年的建城史,名胜古迹众多。2017年北京旅游出口额346.37亿元,在中国所有省市中排名第四位。但是分析北京近年来旅游服务贸易出口可以发现:北京的旅游服务贸易逆差程度不断加深;入境客源市场不丰富;入境旅游消费结构也不合理。因此,对北京市旅游出口贸易进行研究并提出一些改进建议是很有必要的。本文首先分析了北京市旅游出口贸易发展现状。分析了来京国外游客的人数变化、带来的旅游外汇收入的变化、国外游客的客源国家构成、国外游客在京期间的消费结构、旅游相关企业发展几个方面。其次,通过指标计算来评价北京市旅游服务贸易出口竞争力的高低。本文选择计算旅游出口的市场占有率和显示性比较优势指数。再次,以钻石模型为基础对影响北京市旅游出口的因素进行理论分析并建立实证模型。因变量选择为北京市旅游外汇收入,自变量选择了7个:北京第三产业从业人数,A级及以上的景区数,北京市入境旅游人数,北京市民航客运量,北京市星级饭店个数,北京市旅行社家数和北京市基础设施投资,利用2001-2017年的时间序列数据进行回归分析。回归结果显示北京市A级及以上景区个数、北京市入境旅游人数、北京市旅行社家数和北京市基础设施投资对因变量北京市旅游外汇收入的影响比较显着,且均为正相关关系。基于上述分析结果,本文从宏观和微观两个方面提出了改进建议。宏观层面:完善人力资源政策;政府搭建宣传推广平台;加强交通体系建设;完善基础设施建设。微观层面:加强旅游景区与文化和商业的融合;完善企业内部管理制度;利用互联网创新经营方式。
陈超[9]（2018）在《基于VAR模型的铁路运输与民航运输的相互影响实证研究》文中研究指明随着我国的铁路运输网络的相继完善,我国的民航运输产业也一定会面临越来越大的影响。国内外从目前来看,主要侧重于对单一运输方式规制改革的研究,以及民航运输对国民经济、民航价格对铁路运输和铁路自身的影响角度进行研究,而铁路运输相对于航空运输相互之间的影响的实证研究,目前还相对较少。现有的铁路运输和民航运输文献大多都是采取普通最小二乘估计方法（OLS）的传统计量经济模型进行研究,然而,采用OLS的传统计量理论需要各个自变量是平稳的,所以可能会出现的问题是,并非全部的时间序列自变量都是平稳的,有很大的可能性会导致“伪回归”问题。基于OLS的回归计量方法大多是根据相关的经济理论来分析经济模型之间的变量关系,这使得相关变量之间的动态联系无法在严密性上得到保证,同时由于内生的变量在方程的左端和右端都有可能出现,这就使得进一步的估计和推断变得即复杂,又困难。对铁路运输和民航运输的相互影响进行深入研究,能够有效的挖掘出二者之间的基本运营规律,这可以让二者在各自的运输市场中有更好的市场定位和宏观上的调整策略,这样就可以使铁路运输与民航运输在竞争上有一个良好的秩序,进而有效规避运输资源不必要的浪费,最终使得我国的运输市场通道能够很好的得到协调,并且能够合理有效的发展。本文根据铁路运输和民航运输两者的发展情况和两者的相互影响进行分析研究,对铁路运输指标和民航运输指标进行选择,确定样本区间为1979—2014年的时间序列,并在此基础上构建了VAR模型,通过构建的VAR模型进一步进行变量的单位根检验、协整分析、格兰杰因果检验、并用脉冲响应图和方差分解矩阵对构建的VAR系统进一步做动态分析。研究表明:1、国家在大力发展铁路运输的同时,需要考虑短期内会对民航运输造成的影响,从政策层面加以引导,使民航客运受到的影响向有利的方向发展。从长期来看,需要考虑铁路运输和民航运输的协同发展问题,提高铁路运输效率,会对民航运输有一个积极的影响。2、现阶段,民航产业自身的发展在结构方面还有许多不合理的问题,在运载能力方面和基础设施方面,也有着许多不完善的地方,包括民航产业自身的服务质量还需进一步完善和提高等等实际因素都在束缚着民航产业的发展。民航运输在应对铁路运输所带来的影响的同时,还有很多地方急需改善。因此本文提出建议,可以从政策方面对民航产业进行调整和完善、有效提升民航运输效率、增加民航运输自身的承载能力、提高民航运输服务质量等,从各个维度充分促进民航产业的发展,进而推动铁路运输和民航运输的共同发展。
王沁昀[10]（2018）在《我国民用航空客运量影响因素实证分析》文中指出本文利用1996—2015年的统计数据对我国民航客运量的影响因素进行了分析,在已有研究的基础上,对我国民用航空客运量作了实证分析。在多元线性回归中发现各影响因素间存在严重的多重共线性,于是通过主成分分析法选取出能反映原始指标91.772%信息量的1个主成分,再次建立回归模型。结果表明:年末总人口、入境游客、铁路客运量、定期航班航线里程、居民消费水平、人均国内生产总值以及第三产业增加值,与我国民用航空客运量有着密切的相关关系。
二、我国民航客运量实证研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、我国民航客运量实证研究（论文提纲范文）
（1）我国民航客运量影响因素分析及建模预测（论文提纲范文）
| 摘要 |
| Abstract |
| 1.绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内发展研究现状 |
| 1.2.2 国外发展研究现状 |
| 1.2.3 文献总结梳理 |
| 1.3 研究目标、内容及方法 |
| 1.3.1 研究内容与目标 |
| 1.3.2 研究方法及技术路线 |
| 1.4 本文特色 |
| 1.5 本文结构安排 |
| 2.灰色关联分析及层次分析法理论 |
| 2.1 灰色关联分析 |
| 2.1.1 灰色关联定理 |
| 2.1.2 计算步骤 |
| 2.2 层次分析法 |
| 2.2.1 单层AHP模型结构 |
| 2.2.2 层次分析法的计算步骤 |
| 3.我国民航客运量及其影响因素现状分析 |
| 3.1 数据来源与说明 |
| 3.2 民航客运量和增加值 |
| 3.3 其他竞争运输方式方面 |
| 3.4 民航内部相关指标 |
| 3.5 宏观指标方面 |
| 3.6 其他相关方面 |
| 4.实证分析——基于我国民航客运量数据 |
| 4.1 灰色关联分析结果 |
| 4.2 AHP法结果分析 |
| 4.2.1 灰色关联度打分 |
| 4.2.2 一致性检验 |
| 4.2.3 结果分析说明 |
| 4.3 灰色预测模型 |
| 4.3.1 GM(1,1)模型理论 |
| 4.3.2 GM(1,1)模型精度检验 |
| 4.3.3 建立GM(1,1)模型 |
| 4.3.4 GM(1,1)模型评价 |
| 4.3.5 GM(1,1)模型预测 |
| 5.结论及展望 |
| 5.1 结论 |
| 5.2 不足与展望 |
| 参考文献 |
| 致谢 |
（2）民航与铁路客运需求预测以及疫情的影响（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 文献综述 |
| 1.2.1 客运量预测方法 |
| 1.2.2 突发事件对客运量的影响 |
| 1.2.3 文献评述 |
| 1.3 研究内容与方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 创新点 |
| 2 预测方法综述 |
| 2.1 经验模态分解方法 |
| 2.2 排列熵 |
| 2.3 岭回归相关理论 |
| 2.3.1 多元线性回归模型 |
| 2.3.2 参数估计 |
| 2.3.3 多重共线性检验 |
| 2.3.4 岭回归 |
| 2.4 粒子群优化的支持向量机相关理论 |
| 2.4.1 支持向量机预测模型 |
| 2.4.2 核函数 |
| 2.4.3 粒子群算法 |
| 2.4.4 粒子群优化的支持向量机算法 |
| 2.5 模型评价指标 |
| 3 客运量时间序列特征及影响因素分析 |
| 3.1 客运量时间序列特征 |
| 3.1.1 民航与铁路客运量数据来源 |
| 3.1.2 民航与铁路客运量序列特征 |
| 3.2 客运量影响因素分析 |
| 3.2.1 影响因素选取准则 |
| 3.2.2 影响客运量的因素 |
| 3.2.3 影响因素选取 |
| 4 民航与铁路客运量预测模型构建 |
| 4.1 数据描述 |
| 4.2 模型设计 |
| 4.3 客运量序列分解与重构 |
| 4.3.1 客运量序列分解 |
| 4.3.2 客运量序列重构 |
| 4.4 基于岭回归的客运量预测模型建立 |
| 4.4.1 客运量影响因素 |
| 4.4.2 因素相关性分析 |
| 4.4.3 客运量岭回归分析 |
| 4.5 基于PSOSVR的客运量预测模型建立 |
| 4.5.1 支持向量机模型参数优化 |
| 4.5.2 PSOSVR模型客运量预测 |
| 4.6 模型结果对比及预测 |
| 4.7 节假日与疫情对客运量预测的影响分析 |
| 4.7.1 节假日对客运量预测的影响 |
| 4.7.2 疫情对客运量预测的影响 |
| 5 结论 |
| 参考文献 |
| 致谢 |
（3）基于SARIMA-GARCH模型的民航客运量研究（论文提纲范文）
| 一、引言 |
| 二、数据与方法 |
| （一）数据来源 |
| （二）模型与方法 |
| 1、SARIMA模型 |
| 2、GARCH模型 |
| 3、研究方法 |
| 三、实证分析 |
| （一）序列平稳性检验 |
| （二）模型识别 |
| （三）模型检验 |
| 1、模型参数检验 |
| 2、残差检验 |
| （四）SARIMA-GARCH模型构建 |
| （五）SARIMA-GARCH模型预测 |
| 四、结论及建议 |
| （一）结论 |
| （二）建议 |
| 1、政府提供扶持政策 |
| 2、民航企业积极调整 |
| 3、民众给予支持 |
（4）交通基础设施投资对区域经济增长影响的差异性研究 ——以西北五省区为例（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 现实意义 |
| 1.3 研究目的与研究内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 2 理论基础与文献综述 |
| 2.1 理论基础 |
| 2.1.1 新古典增长理论 |
| 2.1.2 内生增长理论 |
| 2.1.3 新经济地理理论 |
| 2.2 文献综述 |
| 2.2.1 国外研究 |
| 2.2.2 国内研究 |
| 3 交通基础设施投资对西北五省经济增长的效应分析 |
| 3.1 直接效应分析 |
| 3.1.1 交通基础设施投资的短期需求拉动效应 |
| 3.1.2 交通基础设施投资的长期供给推动效应 |
| 3.2 间接效应分析 |
| 3.2.1 网络效应 |
| 3.2.2 溢出效应 |
| 4 西北五省交通基础设施的发展现状分析 |
| 4.1 铁路基础设施的发展现状 |
| 4.2 公路基础设施的发展现状 |
| 4.3 航空基础设施的发展现状 |
| 5 交通基础设施投资对经济增长影响的差异化的实证分析 |
| 5.1 数据来源与说明 |
| 5.2 模型的构建与变量选取 |
| 5.3 实证检验与回归分析 |
| 5.3.1 实证检验 |
| 5.3.2 回归分析 |
| 6 结论及建议 |
| 6.1 结论 |
| 6.2 建议 |
| 参考文献 |
| 后记 |
（5）基于组合模型的北京民航客运量预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 研究现状 |
| 1.3.1 传统统计的预测方法 |
| 1.3.2 基于机器学习的预测方法 |
| 1.3.3 基于组合模型的预测方法 |
| 1.3.4 本文预测模型的选取 |
| 1.4 文章结构与创新点 |
| 1.4.1 文章结构 |
| 1.4.2 创新点 |
| 1.5 技术路线 |
| 2 民航客运量预测模型介绍 |
| 2.1 时间序列模型 |
| 2.1.1 自回归模型 |
| 2.1.2 移动平均模型 |
| 2.1.3 自回归移动平均模型 |
| 2.1.4 求和自回归移动平均模型 |
| 2.1.5 季节模型 |
| 2.1.6 ARIMA模型的建模步骤 |
| 2.2 神经网络模型 |
| 2.2.1 人工神经网络概述 |
| 2.2.2 BP神经网络构建的步骤 |
| 2.3 组合模型 |
| 2.3.1 组合模型的两种构建方式 |
| 2.3.2 并联式组合模型的权重判定 |
| 2.4 本章小结 |
| 3 影响民航客运量的指标体系构建 |
| 3.1 影响民航客运量的指标体系构建原则 |
| 3.2 影响民航客运量因素 |
| 3.3 北京民航客运量的选取 |
| 3.3.1 指标数据获取 |
| 3.3.2 影响因素的相关性分析 |
| 3.4 本章小结 |
| 4 实证分析 |
| 4.1 北京民航月度客运量数据整理 |
| 4.2 北京民航客运量的时间序列模型构建 |
| 4.2.1 平稳性判断 |
| 4.2.2 非平稳的时间序列平稳化 |
| 4.2.3 模型的判定与定阶 |
| 4.2.4 模型的诊断 |
| 4.3 北京民航客运量的BP神经网络模型构建 |
| 4.3.1 数据的收集 |
| 4.3.2 数据的准备与探索 |
| 4.3.3 基于训练数据进行建模 |
| 4.3.4 评估BP神经网络模型的性能 |
| 4.3.5 提高模型的性能 |
| 4.3.6 BP神经网络预测结果比较 |
| 4.4 北京民航客运量的组合模型构建 |
| 4.4.1 并联式组合模型构建 |
| 4.4.2 串联式组合模型构建 |
| 4.5 不同模型的预测结果比较 |
| 4.6 本章小结 |
| 5 北京民航客运量的预测 |
| 5.1 改进型并联式组合模型的介绍 |
| 5.2 改进型并联式组合模型精度验证 |
| 5.3 利用改进型并联式组合模型预测 |
| 5.4 北京民航发展对策 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 本人简历 |
| 致谢 |
（6）中国旅游服务贸易国际竞争力指数测算和影响因素实证分析（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 引言 |
| 第一节 研究背景与研究意义 |
| 一、研究背景 |
| 二、研究意义 |
| 1、理论意义 |
| 2、现实意义 |
| 第二节 研究目标、研究方法与研究创新 |
| 一、研究目标 |
| 二、研究方法 |
| 三、研究创新 |
| 第三节 研究框架 |
| 第二章 文献综述 |
| 第一节 有关旅游服务贸易国际竞争力概念及其测度的研究综述 |
| 第二节 有关旅游服务贸易国际竞争力的影响因素的研究综述 |
| 第三节 文献评述 |
| 第三章 旅游服务业的发展历史与现状 |
| 第一节 旅游服务贸易出口情况 |
| 第二节 旅游业入境旅游游客状况 |
| 第三节 旅游服务业目前存在的主要问题 |
| 一、旅游服务贸易逆差额过大 |
| 二、旅游业地区发展不平衡 |
| 三、旅游业服务质量较低、产品单一 |
| 第四章 相关理论框架 |
| 第一节 旅游服务贸易国际竞争力的测度指标 |
| 第二节 旅游服务贸易国际竞争力的影响因素 |
| 一、传统国际贸易理论 |
| 二、国家竞争优势理论 |
| 第五章 旅游服务贸易国际竞争力指数测算和影响因素实证分析 |
| 第一节 旅游服务贸易国际竞争力指数测算 |
| 一、国际市场占有率指数MS |
| 二、服务贸易竞争优势指数TC |
| 三、显示性比较优势指数RCA |
| 四、净出口显示性比较优势指数NRCA |
| 五、旅游服务贸易国际竞争力总评 |
| 第二节 旅游服务贸易国际竞争力影响因素实证分析 |
| 一、变量的选取以及数据说明 |
| 二、数据平稳性检验 |
| 三、建立VAR模型 |
| 四、模型稳定性检验 |
| 五、格兰杰因果检验 |
| 六、脉冲响应 |
| 七、VAR模型估计 |
| 八、方差分解 |
| 第六章 结论、政策建议与研究不足 |
| 第一节 主要结论 |
| 第二节 政策建议 |
| 第三节 研究不足 |
| 参考文献 |
| 附录 |
（7）中国民航客运碳排放时空演变与影响因素研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 文献综述 |
| 1.2.1 碳排放测算 |
| 1.2.2 碳排放影响因素 |
| 1.2.3 碳排放峰值预测 |
| 1.2.4 文献述评 |
| 1.3 主要研究内容及技术路线图 |
| 1.4 研究方法与数据处理 |
| 1.4.1 碳排放测算 |
| 1.4.2 碳排放影响因素分解 |
| 1.4.3 碳排放预测模型 |
| 1.4.4 数据来源与处理 |
| 2 中国民航客运碳排放时空演变特征 |
| 2.1 中国民航客运发展现状 |
| 2.2 中国民航客运碳排放时序变化 |
| 2.2.1 碳排放量 |
| 2.2.2 碳排放强度 |
| 2.2.3 民航客运碳排放垄断性分析 |
| 2.3 中国民航客运碳排放空间演变 |
| 2.4 小结 |
| 3 中国民航客运碳排放影响因素分析 |
| 3.1 影响因素识别 |
| 3.2 影响因素分析 |
| 3.3 小结 |
| 4 中国民航客运碳排放峰值预测 |
| 4.1 STIRPAT模型构建与检验 |
| 4.2 碳排放峰值情景分析 |
| 4.2.1 民航客运周转量预测 |
| 4.2.2 人口 |
| 4.2.3 人均GDP |
| 4.2.4 能源消耗水平 |
| 4.2.5 生物燃油替代比例 |
| 4.3 各种情景下的民航客运碳排放分析 |
| 4.4 小结 |
| 5 结论 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文及研究成果 |
（8）北京市旅游服务贸易出口竞争力研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究目的及意义 |
| 1.1.1 研究目的 |
| 1.1.2 研究意义 |
| 1.2 文献综述 |
| 1.2.1 国际竞争力基本理论 |
| 1.2.2 国外研究现状 |
| 1.2.3 国内研究现状 |
| 1.2.4 文献评述 |
| 1.3 研究方法及内容 |
| 1.3.1 研究方法 |
| 1.3.2 研究内容 |
| 1.4 本文的创新点与不足 |
| 1.4.1 本文的创新点 |
| 1.4.2 本文的不足 |
| 第2章 北京市旅游出口发展情况 |
| 2.1 入境旅游人数减少 |
| 2.2 旅游外汇收入占旅游总收入的比重降低 |
| 2.3 入境客源市场不丰富 |
| 2.4 入境旅游消费结构不合理 |
| 2.5 旅游相关企业发展情况 |
| 第3章 北京市旅游服务贸易出口竞争力指标计算 |
| 3.1 出口市场占有率(IMS) |
| 3.2 显示性比较优势指数(RCA) |
| 第4章 北京市旅游服务贸易出口竞争力影响因素理论分析 |
| 4.1 生产要素的影响 |
| 4.2 需求要素的影响 |
| 4.3 相关产业与辅助产业的影响 |
| 4.4 企业战略、结构与竞争的影响 |
| 4.5 政府行为的影响 |
| 4.6 机遇的影响 |
| 第5章 北京市旅游服务贸易出口竞争力影响因素实证分析 |
| 5.1 影响因素指标选取 |
| 5.2 模型的建立 |
| 5.2.1 平稳性检验 |
| 5.2.2 协整性检验 |
| 5.2.3 格兰杰因果检验 |
| 5.3 实证结果分析 |
| 5.3.1 生产要素的影响 |
| 5.3.2 需求要素的影响 |
| 5.3.3 相关产业与辅助产业的影响 |
| 5.3.4 企业战略、结构与竞争的影响 |
| 5.3.5 政府行为的影响 |
| 第6章 结论与政策建议 |
| 6.1 结论 |
| 6.2 政策建议 |
| 6.2.1 宏观层面 |
| 6.2.2 微观层面 |
| 参考文献 |
| 致谢 |
（9）基于VAR模型的铁路运输与民航运输的相互影响实证研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 中国铁路运输网络步入快速成长时期 |
| 1.1.2 我国民用航空进入快速建设阶段 |
| 1.1.3 铁路运输对民航运输的影响日益严重 |
| 1.2 研究目的及意义 |
| 1.2.1 问题提出 |
| 1.2.2 研究目的 |
| 1.2.3 研究意义 |
| 1.3 国内外研究现状和发展趋势 |
| 1.4 研究技术路线 |
| 第2章 理论探讨与研究设计 |
| 2.1 理论探讨 |
| 2.2 研究设计 |
| 2.2.1 实证分析框架 |
| 2.2.2 主要研究方法 |
| 第3章 我国铁路对民航在客运方面影响的研究 |
| 3.1 变量选取及数据准备 |
| 3.2 我国铁路和民航在客运方面的VAR模型及其建立 |
| 3.3 我国铁路和民航在客运方面的协整检验 |
| 3.3.1 数据的平稳性检验 |
| 3.3.2 数据的协整检验 |
| 3.4 我国铁路和民航在客运关系方面的格兰杰非因果性检验 |
| 3.5 我国铁路和民航在客运方面的VAR系统的脉冲响应与方差分解分析 |
| 3.5.1 脉冲响应分析 |
| 3.5.2 方差分解分析 |
| 第4章 我国铁路对民航在货运方面影响的研究 |
| 4.1 变量选取及数据准备 |
| 4.2 我国铁路和民航在货运方面的VAR模型及其建立 |
| 4.3 我国铁路和民航在货运方面的协整检验及分析 |
| 4.3.1 数据的平稳性检验 |
| 4.3.2 数据的协整检验 |
| 4.4 我国铁路和民航在货运方面的格兰杰非因果性检验 |
| 4.5 铁路货运和民航货运VAR系统的脉冲响应与方差分解分析 |
| 4.5.1 脉冲响应分析 |
| 4.5.2 方差分解分析 |
| 第5章 结论和政策建议 |
| 5.1 我国铁路对民航在客运方面影响的结论 |
| 5.2 我国铁路对民航在货运方面影响的结论 |
| 5.3 相关政策与建议 |
| 参考文献 |
| 致谢 |
（10）我国民用航空客运量影响因素实证分析（论文提纲范文）
| 一、我国民航客运量的现状分析 |
| 二、实证分析 |
| 1、影响我国民航客运量的影响因素 |
| 2、提出假设 |
| 3、数据提取 |
| 4、相关系数 |
| 5、主成分分析 |
| 6、建立回归模型 |
| 7、结论 |
| 三、对策建议 |
四、我国民航客运量实证研究（论文参考文献）
- [1]我国民航客运量影响因素分析及建模预测[D]. 杨志伟. 广西师范大学, 2021(12)
- [2]民航与铁路客运需求预测以及疫情的影响[D]. 王景荣. 江西财经大学, 2021(10)
- [3]基于SARIMA-GARCH模型的民航客运量研究[J]. 赵芳卉,陈琳,李冬青. 统计与管理, 2021(02)
- [4]交通基础设施投资对区域经济增长影响的差异性研究 ——以西北五省区为例[D]. 陈凤. 兰州财经大学, 2020(02)
- [5]基于组合模型的北京民航客运量预测研究[D]. 郭猛. 河北经贸大学, 2020(07)
- [6]中国旅游服务贸易国际竞争力指数测算和影响因素实证分析[D]. 段喻琳. 上海外国语大学, 2020(01)
- [7]中国民航客运碳排放时空演变与影响因素研究[D]. 郭鹏程. 西北师范大学, 2020(01)
- [8]北京市旅游服务贸易出口竞争力研究[D]. 杨帆. 首都经济贸易大学, 2019(07)
- [9]基于VAR模型的铁路运输与民航运输的相互影响实证研究[D]. 陈超. 云南大学, 2018(01)
- [10]我国民用航空客运量影响因素实证分析[J]. 王沁昀. 当代经济, 2018(03)