随着旅游业的快速发展，旅游需求预测的重要性日益提升。本文基于WOS核心数据库，检索1991—2023年旅游需求预测相关文献共计1182篇，利用CiteSpace开展关键词、聚类及突现分析，梳理作者、机构、国家分布特征，揭示研究热点、方向与方法。结果表明，中、美两国的发文量位居前列;时间序列模型、计量经济学模型、人工智能模型为主要研究方法，其中时间序列模型与人工智能模型效果更优。

　　随着旅游市场规模扩大与消费结构升级，旅游需求呈现出动态化与复杂化特征，旅游景区与酒店等经营主体对精准预测的依赖程度不断提高。科学的旅游需求预测不仅能为管理者优化资源配置、提升服务供给效率提供决策依据，还能有效解决高峰期拥挤与淡季资源闲置问题，促进游客流量的合理分配与景区承载能力的科学调控，是智慧旅游建设的重要基础。

　　然而，旅游需求受政策环境、经济发展水平、区位条件、交通可达性等多重因素影响，其形成机制具有显著的多维性与不确定性。围绕预测精度提升，学术界不断探索方法创新：从早期以计量经济学模型和时间序列模型为主的传统范式，逐步拓展至人工智能与机器学习方法，并进一步构建了多模型融合的混合预测框架。与此同时，旅游需求预测指标也从单一经济变量拓展至搜索引擎数据、网络行为数据等多源信息。

　　尽管相关方法与数据的不断迭代显著提升了预测能力，但模型多样化与指标复杂化也带来了模型选择与参数设定的现实困惑。因此，有必要对旅游需求预测方法和指标体系的演进路径进行系统梳理与综合评估，以厘清不同模型的适用情境与性能差异，为理论研究与实践应用提供更加清晰的决策依据。CiteSpace作为基于共引分析与寻径网络算法的文献可视化工具，可揭示学科演化路径与关键节点。本文运用该软件分析1991—2023年旅游需求预测相关文献，系统梳理该领域的研究趋势与演进，识别具有开创性与标志性的研究成果，并探析该领域内的研究关联。

研究方法

文献筛选方法

　　本文文献均源于WOS核心数据库，若直接以“tourism forecast”为检索式进行文献检索，检索结果会出现其他领域中涉及旅游相关指标的预测类文献，可见直接使用“tourism forecast”进行文献检索并不适宜，因此需对文献检索式进行进一步限定。具体检索式如下。

　　一是TS=[("tourism"and"demand"and"forecast*")or　("tourism"and"demand"and"predict*")or("tourist*"and"　demand"and"forecast*")or("tourist*"and"demand"and"　predict*")or("tourist*"and"arrive"and"predict*")or("tourist*"and"arrive"and"forecast*")or("tourist*"and"flow"and"predict*")or("tourism"and"flow"and"

forecast*")or("tourism"and"destnation"and"forecast*")];二是time span=“1991—2023”;三是document types="article"or"review"or"proceeding paper";四是language=“english”。通过上述检索式可获取绝大多数与旅游需求预测相关的文献并剔除无关文献，时间截至2023年10月2日，共检索得到1182篇相关文献。

数据分析方法

　　1.作者、机构、国家分析

　　作者是进行研究活动的主体，借助CiteSpace对相关文献作者的发文量、作者合作进行分析，可了解该领域作者对旅游需求预测研究的贡献程度，以及该学者在相关领域研究的深度和广度，初步掌握影响力较高的相关学者。

　　科研机构作为学者学术研究的平台，是学术成果的孵化基地。利用CiteSpace绘制的知识图谱仅计算第一作者所在的一级机构，通过对旅游需求预测相关研究机构的可视化分析，可了解进行相关研究的主要机构及其之间的合作关系。

　　2.关键词分析

　　关键词是一篇学术论文的核心观点，通过关键词可整体把握论文的研究方向。借助CiteSpace关键词共现分析，可了解旅游需求预测领域文献关键词共现的具体情况，确定相关研究之间的关系。

　　3.聚类分析

　　聚类分析是根据空间接近度将相近节点聚集到不同类别的方法，是指根据共现关系形成的簇团进行划分的聚类过程。CiteSpace聚类分析可对关系更为紧密的关键词进行聚类，同一聚类中的最大值当选该类别的代表。

　　4.突现分析

　　研究前沿是指一段时间内某个研究领域中较为集中的研究趋势。突现分析有助于精准把握旅游需求预测研究前沿的历史变化规律。关键词突现率作为突现分析的指标，是指某段时间内该关键词使用次数的突增情况，突现率高的关键词通常代表了某一研究领域的研究热点。

结果

年度发表趋势

　　样本预处理结果显示，1182篇文献无重复数据。由图1可知，旅游需求预测相关文献发文量整体呈上升趋势，反映了学界关注度持续提高：2002年以前，各年份的发文量均不足10篇，研究进展缓慢;2005年后，发文量稳定超10篇;2014年后，稳定突破50篇;2021年突破100篇，当前该领域的研究热度仍在上升。

作者、机构和国家分析

　　作者可视化分析结果显示，知识图谱包含639个节点、496条连线，共639位作者参与旅游需求预测研究，但作者间合作稀疏(Density=0.0024)。其中，有6位学者发文量超10篇，香港理工大学的Song,Haiyan发文量最高。研究机构可视化分析结果显示，共462个节点、407条连线，机构间合作网络较为松散(Density=0.0038)。香港理工大学、中国科学院、萨里大学、中国科学院数学与系统科学研究院的发文量较多。国家/地区可视化分析结果显示，共85个节点、362条连线(Density=0.1014)。其中，在参与相关研究的国家/地区中，欧洲的占45.8%，亚洲的占27.0%。中国发文431篇，发文量位列第一，美国以119篇位居第二。中国、美国、英国、西班牙、澳大利亚等国家/地区合作密切且中心性较高，其余研究主体合作网络相对孤立。

关键词分析

　　利用CiteSpace统计1991—2023年关键词显示，高频关键词包括demand(239次)、tourism demand(160次)、model(150次)、arrivals(122次)、time series(114次)，核心围绕游客需求、预测精度及影响因素展开;time series、neural network、machine learning(33次)等体现了相关技术的广泛应用，google trends(45 次)已成为重要数据来源(如图2所示)。

聚类分析

　　基于LSI算法对关键词进行聚类分析，得到10个聚类结果(如图3所示)。采用CiteSpace的模块值Q和平均轮廓值S评估聚类效果，计算得出Q=0.4323、S=0.7597，表明该聚类可有效反映旅游需求预测研究的主要方向。聚类结果分别为“#0 tourism demand forecast”“#1 tourism demand”“#2 business cycle”“#3 climate change”“#4 sustainable”“#5 machine learning”“#6 time series”“#7 forecasting scenarios”“#8 low pass filter”“#9 mathematical simulation”“#10 patterns”。其中，“#0 tourism demand forecast”包含最多的关键词。

　　旅游需求预测时间线视图侧重呈现聚类间关系及各聚类中文献的时间跨度。同一聚类节点按照时间顺序排列，聚类时间线出现代表研究兴起，节点大小则反映研究热度。旅游需求预测研究开展以来，学者已采用多种方法开展相关研究，由图4可知，“#0 tourism demand forecast”“#1 tourism demand”“#2 business cycle”“#4 sustainable”“#5 machine learning”“#10 patterns”仍是近年来旅游需求预测领域的研究热点。

突现图谱分析

　　利用CiteSpace关键词突现分析，可动态呈现不同时期旅游需求预测研究热点(如图5所示)，蓝线代表关键词出现，红线代表受学者广泛关注。2007—2023年研究热点持续更迭，从1997年的error correction逐步发展为2023年的artificial intelligence、volume、deep learning、tourism demand forecasting、machine learning、social media。结果表明，旅游需求预测领域研究热点日趋多元，更新与先进技术应用速度不断加快。

结论与讨论

　　对1991—2023年1182篇旅游需求预测相关文献的多维度分析结果显示，21世纪后该领域的研究关注度持续提升，文献发表量呈上升趋势，尤其随着人工智能的持续发展，研究方法更先进、预测精度更高，AI驱动的旅游需求预测成为学界焦点。

　　发文作者与机构合作松散，中国、美国等国家的国际合作较为紧密。研究核心集中于预测准确率、模型优化等方向，主流方法包括时间序列、机器学习、神经网络;在研究数据方面，国内研究多采用百度指数，国际研究以谷歌趋势为主。

　　在旅游目的地的选择上，既有基于对单一景点的旅游需求预测，也有针对某一国家或地区的旅游需求预测，还有从某国家前往另一国家的旅游需求预测。旅游需求预测历经50余年的发展，定量分析方法是其主要研究方法，主要包括非因果时间序列模型、因果计量经济模型和基于人工智能的模型。

　　本文系统梳理了旅游需求预测领域的相关文献，但仍存在以下局限：研究仅检索WOS核心数据库，未来需补充多数据库文献;现有研究多采用2020年以前数据，滞后于近年来的旅游行为变化;检索指数易受用户基数影响，多渠道混合数据应用、重大社会危机下的预测方法，将成为该领域未来研究重点。

　　作者：朱莉蓉

　　制作：吴飞飞

　　校对：肖梦妍

　　审核：颜宝辉