旅游需求预测模型探析

旅游需求预测模型探析
信息与计算科学 2005级郭敏
指导教师石立新讲师
摘要：随着旅游产业的蓬勃发展及在全球范围内的不断推进，有关旅游需求的研究向更深更广的领域展开。

需求预测有助于旅游企业掌握旅游需求的基本规律，从而制定有针对性的服务战略，以有效协调服务供需的矛盾。

同时也有利于旅游企业科学合理的引导旅游者可持续消费，进而实现旅游的可持续发展。

本文采用计量经济法，着重探讨旅游需求预测中的模型构建。

并以攀枝花市为例，对AIDS模型进行验证。

关键词：旅游需求，预测，计量经济法，AIDS模型
Travel demand forecast model
GUO Min Information and Computational Science, Grade 2005
Directed by SHI Li-xin (Lecturer)
Abstract:With the rapid development of the tourism industry and on a global scale continue to promote the study of tourism demand to the deeper and broader fields. Demand forecasts will help tourism enterprises to master the basic law of demand for tourism, so as to formulate the strategy of targeted services to the effective coordination of services to the contradiction between supply and demand. At the same time is also conducive to scientific and rational tourism enterprises sustainable consumption tourist guide, and proceed to realize the sustainable development of tourism. In this paper, measurement of economic law, focusing on the travel demand forecast model. And Panzhihua City, for example, to verify the model of AIDS. Keywords:Tourism demand, Forecasting, Econometric approach，AIDS modle
1 绪论
1.1 研究背景
随着旅游产业的蓬勃发展及在全球范围内的不断推进，有关旅游需求的研究向更深更广的领域展开[1]。

旅游需求预测是旅游决策的重要支撑，也一直是国外旅游经济研究中的重点。

需求预测有助于旅游企业掌握旅游需求的基本规律，从而制定有针对性的服务战略，以有效协调服务供需的矛盾。

研究旅游需求的目的主要是为了提高评价、预测与了解旅游者行为的能力及提高对特定旅游目的地、区域的公众行为的理解能力。

对旅游需求的研究不仅可以发现游客的需求特征及需求规律，找出影响旅游者需求的因素，而且可以指导旅游企业对旅游产品的开发与规划，为旅游企业制定经营管理策略提供重要参考，为旅游资源的开发与规划提供科学的依据。

同时也有利于旅游企业科学合理的引导旅游者可持续消费，进而实现旅游的可持续发展[2]。

旅游业作为一个在战后发展起来的新兴产业不论在发达国家还是发展中国家都获得了快速发展。

尤其对于中国这样的发展中大国，旅游业已经成长为国民经济的主导产业之一。

然而，随着旅游业的蓬勃发展，与之形成反差的是旅游管理质量和水平的落后。

其中一个关键性的衡量指标，就是旅游预测与发达国家相比还处于学习阶段。

由于旅游产品的易逝性和不可贮存等特点，必然对旅游的预测工作提出了更高的要求。

我国对旅游需求预测的研究主要是在借鉴国外旅游需求预测方法的基础上做更进一步的探索与分析，不少学者对旅游需求预测方法改进做了大量研究。

对旅游需求的研究已趋于体系化，研究内容日益丰富，对旅游需求的研究主要集中在对影响旅游者需求因素的研究和旅游需求调查的研究上，近年来也对旅游需求的预测方法进行了探讨。

相比而言，目前国外则更多侧重于对旅游需求预测及模型的探讨与应用上，在对旅游需求的分析过程中偏重于定量研究方法的使用和探索，同时注重定量与定性方法相结合。

国内也已开始注重旅游需求的定量分析，主观的、经验性的研究正逐渐减少。

从研究结果来看，国内主要是通过对某一具体的消费者群或旅游目的地的实证分析给旅游目的地政策制定者提供一些参考价值，研究结论不具备普遍指导意义。

国外对旅游需求的研究则更为深入和广泛，注重研究结果的应用价值，所运用的预测方法正由单一化逐渐向综合化方向发展，研究结果更为精确。

由此看来，国内外对旅游需求的研究无论是对基础理论的探讨，还是对具体案例的分析与应用，都已经日趋成熟。

大量的研究使用了定
量分析方法，预测模型的研究和使用最为广泛。

但无论是理论的研究还是具体案例的分析都是为旅游业各方面的发展提供可借鉴和参考的依据。

旅游企业究竟如何很好的预测旅游需求，鉴别旅游者的需求，并在旅游活动中如何适应和引导旅游者的需求仍是研究者们亟待探索和研究的问题。

1.2 旅游需求定义
旅游需求预测开始于20世纪60年代，研究文献主要侧重于对旅游需求模型与旅游需求预测的理论探索与案例研究。

我国对旅游需求的研究开始于20世纪80年代。

这时期的旅游需求研究以理论研究为主，研究特点在于对西方经济学在旅游学中的阐述以及国外计量研究成果的介绍。

进入上个世纪90年代，相关研究开始丰富并逐步深化。

就旅游需求的概念而言，国内外对什么是旅游需求并无统一的界定。

斯蒂芬.史密斯曾指出，需求有多种解释，旅游分析者所用的定义至少有四个。

最传统的定义是新古典主义经济学的定义，需求是以不同的具体价格进行消费的商品和服务的数量一览表；需求也指实际消费；第三个定义是指潜在需求，即潜在消费水平同观察消费水平之差量。

这种差量可能是由于供给不足、价格过高、安排不当或其他障碍所引起的；最后一个定义，需求也用来指未消费预测。

从未来参与这一意义来讲，需求可以被看作是许多变量的功能，不仅仅是价格[2]。

目前国内一般将其定义为，在一定时期内，一定价格上，旅游者愿意而且能够购买的旅游产品的数量，即旅游者对某一旅游目的地所需求的数量[3]。

从经济学的角度出发将旅游需求定义为“价格与需求”的关系，把旅游者的需求界定为是对旅游产品的需求，定义中包含了旅游者需求内容和需求量两个方面的内容。

1.3方法简介
旅游需求预测开始于20世纪60年代，但预测方法的快速发展却是在20世纪80年代。

国外对旅游需求的预测主要以定量分析为主，分析方法包括德尔菲法、逻辑推断法、回归模型法、时间序列法、计量经济学模型等。

20世纪90年代以前有关旅游预测的研究多集中在传统的回归模型上，然而近来的研究越来越集中于更先进的计量技术，包括整合分析、误差校正模型(ECM)，向量自回归法(VAR)和TVP法，以及人工智能方法包括神经网络模型、粗集理论和灰色理论等方法。

这些研究的目的是决定影响旅游需求的因素并预测旅游者到达的数目，以便旅游部门制定适当的旅游政策。

Greenidge 使用STM 模型(Structural Time SeriesMode1)对加勒比海地区的阿卢巴岛进行国际游憩需求预测。

Christine Lima ，和Michael McAleer(2000) 使用ARIMA 法对澳大利亚在亚洲的三个主要客源国：香港、马来西亚、新加坡进行旅游需求预测。

Fong.Ramesh Durbarry 和M ．Thea Sinclair 使用AIDS 模型预测了法国人的旅游需求。

Song 和Witt(2000)，Song et al(2003)和Witt ，Song ，以及Wanhill 将传统VAR 法应用于预测旅游需求和旅游就业。

Kuan —Yu Chen ，Cheng —Hua Wang 以1985—2001年到中国的旅游者为样本，研究应用了一个新的神经网络技术，支持向量回归(SVR)来预测旅游需求。

国内对旅游需求预测的研究主要是在借鉴国外旅游需求预测方法的基础上做更进一步的探索与分析，不少学者对旅游需求预测方法改进做了大量研究。

王娟、曾吴(2001) 探究了人工神经网络作为一种新型的预测系统在旅游市场需求研究中的重要性。

吴江华等(2002)尝试用人工神经网络模型的3层BP 模型来仿真模拟国际入境旅游需求，并以香港的国际旅游需求为例进行模型验证。

腾丽等(2004)利用人工神经网络的Kohonen 网络对中国39个城市居民的旅游需求分类，并在考虑收入、旅游消费占收入的比例、区域旅游供给强度和交通条件4个因素的基础上对各个类型的城市居民旅游需求特征信息进行了进一步的分析。

孙睿君、钟笑寒(2005)运用旅行费用模型估计典型消费者需求函数与收益。

但是，对于旅游需求预测方法的最优模型尚无统一定论。

不过，通过对计量经济预测与外推预测的比较发现在大多数案例中计量经济预测更为精确，计量经济方法具有较强的说服力，所以大多数研究采取的是计量经济研究方法[4]。

计量经济方法，又分为因果关系的计量经济方法与时间序列方法。

时间序列方法在中短期预测方面性能良好，但该方法由于没有考虑需求的影响因素，得出的结果不能进行结构分析，也不能为政策制定者与旅游管理者提供决策支持。

所以本文采用计量经济方法。

本文着重探讨了旅游需求预测中计量经济模型构建。

2 模型构建
2.1基本模型
最基本的因果关系计量经济模型是将影响旅游需求的主要因素考虑进去，如旅游者的可自由支配收、旅游价格、替代旅游价格、旅行成本、旅游营销费用等[5]。

其函数[6]为 ：
(,,,,)ij i j jk ij ij Q f Y P P C M ( 1 )
ij Q 是 i 国旅游者对目的国j 的旅游需求 ；i Y 是客源国i 真实的收入 ；j P 是目的国j 旅游产品价格；jk P 是目的国j 的竞争对手k 国的旅游价格；ij C 是旅行成本；ij M 是旅游目的国j 针对旅游客源国i 的营销费用。

一般，我们把它写成这样的形式：
35
124ij j i jk ij ij Q AP Y P C M βββββ= （2）
A 是常数，12345 , , , , βββββ是参数。

等式两边取对数， 设0 ln A β=， 则上式可变为：
012345ln ln ln ln ln ln ij j i jk ij ij Q P Y P C M ββββββ=+++++ ( 3 ) ij Q 依据研究的对象不同而不同，它可表示为旅游收入、旅游者人数、旅游过夜天数、 旅游者花费等；j P 一般用旅游目的国的消费者价格指数来表示；i Y 一般用客源国的真实的国内生产总值来表示；jk P 是竞争国的旅游价格的加权平均值；ij C 一般用平均的经济仓机票价格来表示；ij M 是营销费用。

1
*
j j i
ij
CPI P CPI EX =
； 1
(/)n
jk k k k k P CPI EX w ==∑ ；
1[/]n
k K K w TTA TTA =∑ ；
CPI 是消费价格指数 ；ij EX 是i 国与j 国的外汇比率；j 是目的国；i 是客源国； k
是同类地区的竞争对手 ；n 是竞争对手总数；k TTA 是到k 国的旅游人数 ；k w 是k 国的市场份额。

式( 3) 中，12345 , , , , βββββ是弹性系数，反映了价格、收入、替代价格、旅行成本、营销费用变动对旅需求的影响。

其中，1,β4β为负，意味着需求随价格与旅行成本成反向变动，即价格上升，需求量减少；价格下降，需求量增加；旅行成本增加，需求量
减少；旅行成本减少，需求量增加。

另外，235 , , βββ为正，意味着需求随客源国收入、替代价格与营销费用成正向变动 ，即客源国收入增加，需求增加；替代价格上升，需求增加；营销费用增加，需求增加；反之亦然。

研究结果表明，模型中ij C 并不显著，所以可以剔除出模型，并且认为ij C 不显著的原因可能是因为平均的经济仓机票价格并不能很好地代替旅行成本[7]。

基本模型将影响旅游需求的主要因素考虑了进去，较为完整地反映了旅游需求与收入、价格、替代价格之间的关系，同时模型清楚地将弹性计算了出来，有利于管理者进行各种经济分析。

但是，旅游需求是具有趋势性的，从世界各国的旅游发展来看，旅游人次呈不断上涨的趋势。

据世界旅游组织预测，到 2020年，全球的国际旅游者人数将达到 l 6亿人次，而旅游收入也将超过2万亿美元，旅游业将成为增长速度最快也是最大的产业之一。

另外，旅游业又是个非常脆弱的产业，任何政治、经济、社会的风吹草动都会影响到旅游需求。

而在基本模型里没有将旅游的发展趋势与脆弱性考虑进去 ， 这可以说是该模型的致命缺陷。

2.2改进模型
改进模型是在基本模型的基础上，添加了趋势变量与虚拟变量，使得模型更能反映旅游业的发展趋势性与受特殊事件影响的脆弱性[8-11] 。

改进后的旅游需求预测模型是 ：
(,,,,,,)ij i j jk ij ij h Q f Y P P C M T D = （4） ij 01j 2 i 3jk 4ij 5ij 67ln Q = + l n P + ln Y + l n P + l nC + l n M + T+h it D ββββββββμ+ （5） T 是时间趋势；h D 是指影响旅游需求的特殊事件， h 是特殊事件的数目，h=1， 2，…。

如 1973—1974年的石油危机，1991年的海湾战争，2001年恐怖分子袭击美国世贸大厦事件，都对旅游需求造成了很大的影响，所以这些事件就用h D 来反映。

h D 是0 — 1变量，当某事发生时，h D 的值为1；当某事没有发生时，h D 的值为0。

比如，要预测美国来华旅游人数，2001年的9．11事件就要作为虚拟变量进入模型，2001年时，h D =1 ， 其他年份，h D =0。

t μ是随机误差。

考虑了时间趋势、特殊事件与随机误差的改进模型更为优越。

前面提到，计量经济方法中的时间序列模型在中短期预测方面精度更高一点。

所以，如何在因果关系计量经济模型中将时间序列预测方法的优点吸收进来，是下一步研究的重点。

2.3 因果关系模型与时间序列模型的结合——结构时间序列模型
时间序列分析是研究事物发展变化规律的一种量化分析方法，它认为时间序列是过去值和一些相关变量的函数。

正是在此理论基础上建立了时间序列预测模型，即根据序列的过去值来预测序列的未来值。

由旅游人次数构成的时间序列具有趋势性、季节性与周期性的特征[12]。

将时间序列的这3种发展变化特征考虑进模型，从而形成因果关系预测与时间序列预测的结合预测模型称为结构时间序列模型(Structural Timing Series Mode1)，简称为STM 模型[13]。

STM 模型的形式为：
j j ij i i
k
P P lnARR = f(1nY ,In
,In
,Trend,Seasonal,Cycle)P P (6)
这里，ij ARR 代表客源国i 到目的国j 的旅游人数，i Y 是客源国i 真实的GDP ，j P 是旅游目的国j 旅游服务的价格指数，i P 是客源国i 的消费者价格指数，k P 是竞争对手k 国的价格指数，i 代表客源国，j 代表目的国，k 代表竞争对手；Trend 代表时间序列的趋势性，Seasonal 代表时间序列的季节性，Cycle 代表时间序列的周期性。

时间序列的趋势性包括两种，一种是水平趋势，一种是倾斜趋势。

水平趋势：
11t t t t μμβη--=++ 2
(0,)t NID ηησ (7)
倾斜趋势：
1t t t ββξ-=+ 2(0,)t NID ξσ (8) t μ代表水平趋势变量，t β代表倾斜趋势变量；t η与t ξ是水平趋势与倾斜趋势的分布，
它们是均值为0、方差为2σ的白噪音。

NID 指正态独立分布。

季节性为：
11...t t t s t γγγϖ--+=+++ 2(0,)t NID ϖϖσ (9)
t γ是季节性变量，s 是季节长度，t ϖ是均值为0、方差为2σ的白噪音；它是随机季节性
的虚拟变量形式。

随机季节性的三角形式可表达为：
[/2]
,1
s t a t j γγ==∑ (10)
[/2]s 是s ／2取整数。

总的,a t γ就可以表示为：
*
,,1,1cos sin a t a t a a t a at γγλγλϖ--=++ (11) ***,,1,1sin cos a t a t a a t a at γγλγλϖ--=-++ for 1,...,[/2]s α= (12) at ϖ与*at
ϖ是均值为0，方差2
ασ在1,...,[/2]s α=时互不相关的白噪音。

a λ是频率， 0≤a λ≤π。

可以通过2
ϖσ的参数估计来决定作为确定的或离散的季节性是否应该进入模
型。

周期性是指旅游目的地的旅游产品需求具有生命周期。

这一理论是巴特勒(Butler) 于1980年首次提出的，并命名为“旅游生命周期”。

“旅游生命周期”理论指出旅游目 的地会经历6个成长阶段：开拓、进入、发展、巩固、停滞、下降或者复兴[14-15]。

周期性变量为：
()(
)()()
1*
**
1
cos sin sin cos t
c c t t c c
t t t k k ψλλψλλψψρ---=+ 1,...,t T = (13)
c λ是频率，0≤c λ≤π，ρ是阻尼(衰减)因子，0<ρ≤1，*,t t k k 是均值为0，方差为2
σ的白噪音(Harvey ，1995)。

STM 模型既保留了因果分析计量经济模型结构分析的特点，也吸取了时间序列模型趋势性、季节性、周期性预测的优点。

STM 通过STAMP5．0软件包来计算。

Greenidge Kevin 采用STM 模型预测了美国旅游者对巴巴多斯岛的旅游需求。

一般来说，STM 模型能够包含大多数被普通的回归模型抛弃在残差里的重要的信息；STM 模型可以直接用来解释，并能让计划者更进一步洞察旅游行为；而且，模型中的变量可以随时间变动。

模型的预测结果也得到了改良。

2.4 基于效用理论的AIDS 模型
AIDS 模型是Almost Ideal Demand System 的缩写，它是在1980年由Deaton 与Muellbauer 共同提出的。

AIDS 模型最初是用来研究消费者行为的，后来研究者将它引入旅游业，用来分析旅游目的地的旅游收入。

AIDS 模型的基本形式是：
*
001111
1log (,)log log log 2i n
n
n n i i ij i j i i i j i c u p p p p u p βααγβ=====+++∑∑∑∏ (14)
u 是效用水平，(,)c u p 是既定价格p 下为达到效用水平u 所花费的成本。

i P 是旅游目的
地i 的旅游价格，j P 是竞争对手j 的旅游价格，n 是目的地数量，*
00,,,,i ij i ααγββ是参数，
i=1,...,n; j=l,...,n 。

旅游目的国i 的旅游收入份额为：
log log()i i ij j i j
X
p P
ϖαγβ=++∑ (15)
i ϖ是旅游者在目的国i 的花费份额，*
*()/2ij ij jt γγγ=+，X 是旅游者的旅游总花费，P 是
旅游价格总指数。

P 通过下式计算得来：
01
logP=log log log 2i i ij i j i
i j
p p p ααγ++
∑∑∑ （16） 在AIDS 模型中，旅游需求是相关价格与真实花费的非线性函数。

Muellbauer 与Deaton(1980)表示将P 用斯顿指数(Stone’S index) *P 来代替，从而将非线性函数转化为近似线性函数。

斯顿指数*P 为：
*log log i i i
P p ϖ=∑ （17）
i ϖ是样本预算份额。

各约束条件为：
1
1
1
1,0,0,n
n n
i
ij i ij ji i i i α
γβγγ=======∑∑∑
AIDS 模型在预测旅游收入方面是较为理想的模型，而且通过AIDS 模型可以分析目的国在同类竞争市场上所处的地位，从而管理者通过调整相关的政策或采取相应的措施来提高旅游目的国在区域中的地位。

3 预测结果与分析
3.1 AIDS 模拟验证
由攀枝花市旅游局统计资料，《凉山统计年鉴》，《中国统计年鉴》，整理得到表1如下。

表 1 2000年到2007年，攀枝花与西昌一览表
Table 1 A list of Panzhihua and Xichan from 2000 to 2007
指标 2000 2001 2002 2003 2004 2005 2006 2007 攀枝花旅游收入（万元）
西昌旅游收入（万元）
攀枝花市GDP （万元）
旅游价格总指数（%）
15800
29380 1147600
0.4 24400
38300 1240800
0.7
32000
43200
1380500
-0.8
46800
52900
1638200
1.2
75500
82000
2030000
3.9
104457
117000
2480000
1.8 181200
136900
2900717
1.5 261700
205000
3455875
4.8
本文在攀枝花市旅游局与《凉山年鉴》中提取2000年到2007年间，攀枝花与周边城市西昌旅游收入作为观测值，攀枝花作为旅游目的地，周边城市西昌则为竞争地区，利用AIDS 模型log log(
)i i ij j i j
X
p P
ϖαγβ=++∑，代入2000年到2007年西昌与攀枝花相关数据，进行2008年攀枝花地区的旅游需求预测，并与实际值做比较，算出误差值。

通过MATLAB 7.0软件包，得到2008年攀枝花旅游需求预测值如下表2：
表 2 2008年攀枝花旅游需求
Table 2 Panzhihua tourism demand in 2008
指标 i a
ij γ
i β
j p
X
P
i ϖ
数据
0.2145
0.1872
-0.1769
237500
295481
0.059
0.0691
i ϖ=0.0691为攀枝花2008年的旅游收入份额，攀枝花市2008年旅游收入则为X 值，
295481万元。

实际上，2008年，攀枝花地区实际旅游收入份额为0.0658，实际旅游收入则为281200
万元。

可以算出，预测误差约为5%。

通过预测值与实际值的比较，能够体现出用AIDS方法进行旅游需求预测，在实际应用过程中具有一定的准确性和实际应用价值。

3.2结论分析
计量经济模型是旅游需求预测的重要工具，包含影响因素变量，具有强大的解释功能，对数线性构建的预测模型对旅游管理者与政策制定者来说更有价值。

本文从模型变量的选择开始分析，阐述了从最简单的计量模型到包含季节性、趋势性、周期性计量模型的构建。

本文虽然提出了各种计量模型的一般形式，但是在实践中需要注意的是一定要根据研究对象的特点而选择合适的模型进行预测，因为不可能构建一个单一的模型来适合所有的旅游目的地。

没有哪一种模型方法是绝对最优的，只有相对的。

有些简单的预测方法也能取得理想的预测效果，因而预测技术并不是越复杂越好，考虑因素也不一定力求面面俱到，应根据实际问题选用适当的方法。

在选取预测方法时，还要考虑预测的精度与成本之间的关系。

例如采用立方多项法进行旅游需求预测，表明立方多项模型的平均绝对误差百分比要高于正弦波动非线性回归模型与季节性——非季节性自回归移动平均结合模型。

从精确度来说，立方多项模型并不是最理想的，但是因为立方多项模型内在的线性特征，它具有低成本的优势。

预测的目的绝不是为了单纯的预测，预测是用来提高管理水平与绩效的。

而目前的旅游需求预测，主要是从方法的角度来研究，基本上没有涉及到旅游预测方法在实践中的作用，也没有提到通过旅游需求预测，如何提高旅游目的地的服务水平与供给能力，使需求与供给达到平衡，最大可能地提高旅游目的地的绩效水平。

这一点才是旅游目的地最关心的，也是旅游需求预测的最终目的。

参考文献
[1] 欧阳润平，胡晓琴.国内外旅游需求研究综述[J] 湖南大学工商管理学院，2007（3）：15-18
[2] [加拿大]斯蒂芬．L．J史密斯．旅游决策与分析方法[M]．南开大学旅游学系，译．北京：中国旅游出版社，1991：23-29
[3] 保继刚，楚义芳，彭华．旅游地理学[M]．北京：高等教育出版社，1993：33-51
[4] 张敏.旅游需求预测的计量模型探析[J].辽宁经济，2005（11）：88-88
[5] 刘富刚．旅游需求影响因素分析[J]．德州学院学报，2004，20(4)：81-84
[6] 任来玲，赵茂宏，赵丽君.旅游需求预测模型概述[J].统计研究，2008，25（7）：103-106
[7] 卞显红．旅游者目的地选择影响因素分析[J]．地理与地理信息科学，2003，19(6)：83-88
[8]王婉飞．我国分时度假市场需求实证研究[J]．浙江大学学报(人文社会科学版)，2005，35(6)：19—26．
[9] 何书元．应用时间序列分析[M]．北京：北京大学出版社,2005：37-56
[10] 吴怀宇．时间序列分析与综合[M]．武汉大学出版社，2004：93-99
[11] 姜启源，谢金星，叶俊．数学模型[M]．高等教育出版社，2003：174-191
[12] 武娇，刘新平．我国国际旅游外汇收入的时间序列预测模型[J]．纺织高校基础科学学报，2001，(1)：51-55
[13] 凯文格里尼奇. 预测旅游需求STM方法[J]. 旅游研究年刊，2001，28(1)：98-112
[14]任来玲，刘朝明. 旅游需求预测方法的比较分析[J]. 世界科技研究与发展，2006，28（6）：84-88
[15]林南枝.旅游经济学[M]南开大学出版社.2006：
致谢
四年的大学生活马上就要画上句号，这篇论文算是这段生活的一点沉积。

这是我学生生涯的结束，也是我社会生活的开始。

四年的路，在学校，师长，亲友的大力支持下，少了许多辛苦，同时也收获颇丰。

感谢学校和院上为我提供了良好的学习环境！感谢所有在四年里帮助过我的老师和同学，谢谢你们陪我度过我的大学时光。

最后，需要特别感谢的是我的导师石立新老师！本论文是在石立新老师的悉心指导下完成的，在写作过程中，得到了他许多帮助，在此对他表示衷心的感谢！。