本研究以海南省2002-2013年各年的接待过夜旅游者总数为例，运用SPSS软件建立一元线性回归模型、指数模型和时间序列模型ARIMA（p， d， q），并对各模型具体拟合效果进行比较，最终确定最佳的长期预测模型。这将为海南省旅游业相关部门采取对策及旅游接待等方面提供数据推测的参考依据。
一、引言
旅游业是海南省主要支柱产业之一，而旅游活动是海南省的主要社会经济活动之一。过夜旅游者接待人数的预测有利于海南这一旅游接待地掌握旅游流的变化规律，事先做好应对旅游者人数波动的准备，以尽可能地提高旅游竞争力。
（二）本研究选取的时间数据容量相对较大，综合考虑了海南省建设国际旅游岛前后的过夜旅游者人数，研究时间跨度较大，有利于增强研究结果的可靠性。
二、数据准备及相关性检验
（一）数据准备
（二）相关性检验
利用SPSS软件对“海南省接待过夜旅游者人数”与“时间（年份）”两变量进行相关性检验，P值为0.971，即双尾相关性显著，说明海南过夜旅游者随着年份的变化，呈现一定的变化规律。
三、模型建立及分析
（一）回归模型
1、一元线性回归模型
模型假设。对海南省接待过夜旅游者人数建立一元线性回归预测模型：Y=β+β1X。
模型检验。R?=0.943，P0.05，因此不能够拒绝白噪声假设。在数据存在长期趋势和季节波动的时候，模型的效果是不能用R?来判断的，而应该用“平稳的R?”来判断。故而采用“平稳的R?”来判断ARIMA模型的拟合效果会更客观一些。该模型的“平稳的R?”为0.504，说明其模型解释度还是可以的。
四、模型预测结果比较分析
（一）模型预测结果比较
三种模型预测结果如表3和图2所示。ARIMA模型的年度预测数据是由各个月度的预测值分别累加所得。
五、结论
通过表3和图2对三种模型预测结果的比较，发现：一元线性回归模型的预测误差及其波动性最大，其次是ARIMA模型，而指数模型的预测误差及其波动性最小。由此可见：三种模型中，一元线性回归预测模型是最不适用于作海南省过夜旅游者人数预测的。而根据ARIMA模型年度数据的计算方法，即在计算年度数据时需要先预测各个月份的数据，而后分别累加得到各个年度的具体预测值，这期间不仅加大了预测的工作量，而且所涉及的不确定因素也将随之增多，因而预测误差将有可能随之增大。因此，指数模型与ARIMA模型相比，二者的预测结果虽然看似不相伯仲，但ARIMA模型由于自身条件的限制，则更适用于作短期月度预测，而指数模型则适用作年度长期预测且操作简便。
六、结语
由于旅游目的地接待的旅游者人数受到旅游地经济状况、旅游地旅游资源状况、旅游服务质量、旅游者偏好等因素的影响，故而旅游者人数的变动往往是呈现出动态的、非线性的波动，而未考虑旅游者人数的各类主要影响因素及其具体影响效果，这是本研究的一大不足之处，同时也是后续研究中的着力改进点。
