地热电缆,完美告白 少女逆生长,哈尔滨公交地图
[摘要]作为气候和自然条件依赖性很强的产业，邮轮旅游本身具有明显的季节性特征。以2005-2011年北美地区全部30198个航次邮轮乘客的季度数据和月度数据为样本，分别利用X-12-ARIMA和TRAMO/SEATS季节调整模型对北美邮轮市场的季度数据和月度数据进行了分析。季节调整后的数据表明，北美邮轮市场呈现持续扩张的长期趋势。与季度季节性相比，该地区邮轮旅游表现出更强的月度季节性特征，其中1月、3月、7月和12月是相对旺季，而5月、9月、10月和11月是相对淡季。总体来看，北美邮轮旅游受季节性因素和不规则因素的影响较弱，一方面由于当前邮轮旅游的需求主要受运力驱动，邮轮满舱率普遍较高；另一方面由于邮轮公司可以在季节交替时段通过船舶重配或重置（repositioning）策略来规避季节性的不良影响。
[关键词]邮轮；邮轮旅游；季节性；北美
[中图分类号]F59
[文献标识码]A
[文章编号]1002-5006（2015）05-0117-10
引言
邮轮产业已经成为现代旅游业中发展最迅速、经济效益最显著的行业之一。国际邮轮协会（Cruise Line International Association，CLIA）的数据表明，近20余年来，邮轮乘客数量和邮轮运力投放都以年均7%以上的速度增长，2013年邮轮乘客数量达到2130万，邮轮船舶总数为410艘，床铺数量超过46万个。除了市场增长 本文由wwW. 001lunwen.com提供，第一论文 网专业代写教育教学论文和毕业论文以及发表论文服务，欢迎光临dYlw.nET迅速，邮轮旅游的经济效益同样显著。2013年，邮轮产业为美国提供了超过36万个就业岗位，带来182.7亿美元工资福利；总产出达到441亿美元，比2000年的166亿美元提高了165.6%，年均增长率达到12%以上。2013年邮轮产业为欧洲（EU+3）提供了近34万个就业岗位、139.4亿美元的工资福利和522.8亿美元的总产出，其中直接由邮轮公司及其乘客和船员带来的收益达212亿美元。邮轮产业强大的拉动能力和吸附能力已成为拉动城市经济、刺激周边地区经济增长的新动力。
从全球区域布局来看，邮轮产业具有大区域分散、小区域聚集的特征。北美地区的美国和加拿大、北欧地区、地中海地区、加勒比海地区以及南美地区都是邮轮活动最为集中的区域。邮轮公司可以向消费者提供不同期限、不同航线的多种度假产品。邮轮的航行速度、出发港口、停靠港、航程期限以及停靠地之间的距离构成了整条邮轮航线（itinerary）。每条邮轮均配备丰富的生活、娱乐、休闲与度假服务设施。乘客巡游体验不仅仅包括巡游本身，还包括欣赏国内外优美的停靠港景色、享受船上精美的住宿膳食服务、体验船上豪华的休闲娱乐设施和参加丰富多彩的观光游览活动等经历。可以说，明媚的阳光、舒适的气温、优美的自然风光和丰富的船上服务是邮轮旅游业存在和发展的基础。特别地，邮轮旅游受气候因素的影响巨大。气候条件是影响旅游活动的重要环境因素。众多传统旅游胜地都因宜人的气候闻名于世。气候变化被认为是旅游业发展最大的威胁，是造成旅游季节性的重要因素。
与其他产业相比，旅游业更加依赖于自然环境和气候条件，更容易受气候变化的影响。而与其他旅游形式相比，邮轮旅游的气候和资源依赖性则更强。众所周知，季节性是旅游业最重要的特征之一。作为对气候和自然条件敏感的旅游产业，邮轮旅游受季节性的影响显著。比如，在北美北部和北欧地区，由于冬季气候寒冷，邮轮旅游活动和邮轮公司运力投放将明显减少。再如，虽然加勒比海地区是全年型（year-round）邮轮旅游目的地，但在炎热的夏季，邮轮活动也会明显减少。除了自然和气候因素，社会制度和风俗习惯等因素也会造成邮轮旅游业的季节性波动。
综上所述，季节性是邮轮旅游最重要的特征之一，对邮轮产业的发展具有至关重要的影响作用。在旅游业中，以月份或季度作为时间观测单位的时间序列通常具有一年一度的周期性变化。这种季节性波动非常显著，往往遮盖或混淆经济发展中的真实变化规律，造成对经济形式识别和分析的困难和麻烦。本文以邮轮旅游最大的聚集区——北美市场为研究对象，分别以该地区2005-2011年30198个航次的邮轮乘客季度数据和月度数据为样本，采用X-12-ARIMA和TRAMO/SEATS季节调整方法分离出时间序列的趋势、循环、季节性和不规则要素，从而对该市场邮轮旅游的季节性特征进行识别和解释。
1季节性调整方法
目前，经济数据的季节调整方法主要有美国商务部普查局的X-11法、加拿大统计局的X-11-ARIMA法、美国劳工统计局X-12-ARIMA法和西班牙银行开发完善的TRAMO/SEATS法，其中，20世纪90年代美国商务部普查局推出的X-12-ARIMA模型和20世纪末由西班牙银行开发和完善的TRAMO/SEATS模型应用最为广泛。对具有较大异常值的长达15年的时间序列数据进行季节调整时，TRAMO/SEATS方法一般能取得较好的拟合效果；而对于4年左右的较短时间序列数据的季节调整，X-12-ARIMA方法通常能获得更理想的效果。本文采用两种方法分别对北美邮轮市场8年的乘客季度数据和月度数据进行分析。
1.1X-12-ARIMA模型
季节性是旅游业显著而又重要的特征，深入挖掘和充分理解旅游季节性特征，是实现旅游业高效管理的重要依据。旅游季节性特征的挖掘可以通过众多季节性调整方法来实现。季节调整的目的是通过估计和剔除原始序列中季节变动因素和偶然性因素来更好地揭示月度（或季度）序列的潜在特征和变化规律，从而使经过季节调整的时间序列数据能够较为准确地反映社会经济运行的基本态势。
X-12-ARIMA季节调整方法使用追溯到1954年由美国普查局首先开发成功的时间序列季节调整模型X-1。此后，此类季节调整方法的每改进一次都以X加上序号表示。1965年，由美国普查局推出的X-11模型成为季节调整方法走向成熟和被广泛应用的标志，渐渐成为全球统计机构使用的标准方法，并进一步推动了新型季节调整方法的发展。X-11调整法的本质是使用非参数特性的移动平均法分理出时间序列数据的趋势-循环项和季节项。该方法的主要缺陷是：使用移动平均将大量缺失数据，特别是序列两端损失信息过多，在一定程度上影响了调整和预测的效果，而且不具备向前回溯和向后预测的能力。后来出现的以X-11为核心的X-11-ARIMA与X-12-ARIMA不同程度上弥补了X-11的不足，应用范围更加广泛。 1978年，加拿大统计局研发了对X-11改进的X-11-ARIMA方法。该方法在X-11基础上加入ARIMA建模和预测，具有通过自回归和移动平均方法在季节调整前向前预测、向后预测和补充数据的能力，从而保证了在使用移动平均法进行季节调整过程中数据的完整性，弥补了X-11模型的不足。然而，X-11-ARIMA的适用性较低。因为该方法仅提供了3种供用户选择的固定模型，一旦3种模型均不适合于观测数据，用户难以选择合适的ARIMA模型，季节调整便无法进行。1998年，美国普查局David Findley等研发出了X-12-ARIMA季节调整模型和程序。该方法包括乘法、加法、伪加法和对数加法4种季节分解形式，由X-12方法和差分自回归移动平均模型ARIMA（autoregressive integrated moving average）组合而成，整个季节调整过程包含两个阶段。第一个阶段，在采用X-12方法前，先使用预调整模块regARIMA一方面对原始序列中存在的各种异常值和历法效应作预调整，另一方面对预调整后数据序列的两端进行了延伸，通过用延长原序列弥补了移动平均法末端项补缺值的问题。第二个阶段将前一阶段产生的时间序列回归误差导入X-11模块进行季节调整，将数据序列分解为趋势循环成分、季节成分和不规则成分。X-12-ARIMA在预调整模块regARIMA中对数据进行了更丰富的预处理，不仅引入随机时间序列ARIMA模型，还利用了回归模型（引入外生变量），从而达到更好的季节调整效果。因此，与X-11-ARIMA模型相比，X-12-ARIMA最重要的改进之处在于增加了几种类型的模型和多种新的季节调整诊断方法，具有较大的适应性，能对大多数经济时间序列进行季节调整，成为经济数据分析和预测的有效工具。
通过X-12-ARIMA的方法和技术可以将经济时间序列数据Yt分离出趋势要素Tt、循环要素Ct、季节性要素St和不规则要素I。此时，具有季节性特征的经济数据序列Y可以分解为以下两种基本形式：
（1）加法模型
Yt=Tt+Ct+St+It，SAt=Tt+Ct+It
（2）乘法模型
Yt=Tt×Ct×St×It，SAt=Tt×Ct×It
其中，Yt表示原始时间序列，SAt表示季节调整过的序列。趋势要素Tt反映了经济时间序列中长期的趋势特性。循环要素Ct反映了以数年为周期的周期性变动，可能是一种景气变动、经济变动或其他周期变动。循环要素描述序列中不同幅度的扩张与收缩，经济问题中常指一年以上的起伏变化。由于循环要素在实际中测算难度较大，因此通常将循环要素和趋势要素放在一起不加区分，称为趋势循环要素TC。季节要素S描述序列中一定周期的重复变动，是以12个月或4个季度为周期的、每年重复出现的循环变动或周期性影响。对于邮轮旅游来说，这种重复变动通常由日照、温度、降雨、假期和政策等因素引起。因此，季节要素St事实上是一种组合季节成分。以乘法模型为例可表示为St=Ht×WDt×St，其中Ht、WDt和St为移动假日成分、工作日成分和季节成分。在实际季节性调整过程中，由于移动假日效应和工作日效应对月度数据的影响与季节成分类似，同样会对经济周期的判断造成困难，因此通常将其和季节成分组合在一起考虑，并加以消除。不规则要素I描述随机因素引起的变动，通常是由偶然发生的事件引起，如罢工、事故、危机、地震、水灾、战争等。对于一个时间序列，具体采用哪种模型进行分析，取决于各要素之间的关系。一般来说，若4种要素是相互独立的用加法模型，否则适合用乘法模型，对于社会经济问题主要使用乘法模型，本文将采用乘法模型进行分析。
1.2TRAMO/SEATS模型
TRAMO/SEATS（ARIMA具有缺省值的时间序列回归/时间序列的信号提取）方法通过结合TRAMO过程（time series regression with ARIMAnoise，missing observation and outliers）和SEATS（signal extraction in ARIMA time series）过程实现对时间序列中噪音、缺失观测值和异常值的处理以及特征信息提取，该方法可以有效地从时间序列中提取出时间序列的趋势要素、循环要素、季节要素及不规则要素等各组分，是应用最广泛的时间序列调整方法之一。TRAMO/SEATS方法的优点是可更为灵活地设定回归变量，可以更好地解决不确定性季节因素，而且具有较少主观性特征。TRAMO/SEATS中的预调整程序TRAMO与regARIMA相似，主要不同在于ARIMA模型的选择标准。
2北美邮轮旅游季节性特征分析
2.1北美邮轮市场的基本特征
自邮轮旅游产生以来，北美地区一直占据了绝对的统治地位，邮轮乘客的年均市场份额在近20余年来达到85%以上。随着北美市场的日渐成熟以及欧洲、亚太邮轮市场的快速崛起，邮轮旅游在新兴地区的增长速度远远高于世界平均值，从而使得北美地区的市场份额下降明显。特别是2008年金融危机使得该地区邮轮乘客数量连续两年下降，直到2010年才有了较明显增长。随着经济的持续增长和社会的持续稳定，北美地区将吸引越来越多的消费者加入到邮轮旅游来。国际邮轮协会调查结果显示，美国仅有不到20%的人口参与过邮轮旅游，邮轮产业在北美地区仍具有巨大的潜力，该地区在较长时期内仍是世界邮轮产业中心，并保持全球领导者的地位。 从区域分布来看，北美地区的邮轮市场主要由4个部分组成：美国西北部（阿拉斯加、西雅图及温哥华区域）、美国东北部（纽约、波士顿及加拿大东南区域）、美国西南部（加利福尼亚、墨西哥及夏威夷区域）和美国东南部（佛罗里达州及加勒比海地区）。从气候条件来看，美国北部及加拿大具有鲜明的季节特性，冬季寒冷，旅游规模相对较小，邮轮旅游活动也较少。由于美国东南部和加勒比海地区的季节性特征并不明显，基本适合全年旅游，是邮轮活动最密集的区域，但炎热的夏季同样使得该地区邮轮旅游活动有所减少，反而北部的冬季时段是其邮轮旅游的旺季。从2005-2011年的邮轮乘客（passenger）季度时间序列数据来看，除了2008年的金融危机显著造成市场萎缩，北美邮轮消费者数量总体呈现一种上升的趋势。特别是2006年，各季度邮轮乘客数量的上升趋势明显。2007-2011年，邮轮乘客的季度数据基本表现出“两峰两谷”的特征：第一季度的邮轮乘客数量较多，第二季度呈明显下降趋势，然后在第三季度呈现增长态势。从第四季度数据来看，2006年、2010年和2011年较前一季度均出现显著增长趋势。
从航次（cruise）安排来看，2005-2011年的7年间，北美邮轮市场每年均有4000个以上的邮轮航次。除了个别季度，2005年到2011年邮轮航次数量在季度上的变化趋势与乘客数量的变化基本一致。从邮轮运力或容量（normal capacity）数据来看，其时间序列的变化趋势与航次数量的变化态势十分相似，与邮轮乘客数量的数据序列的一致性也相当高。另外，由于邮轮运力是以舱位的双床铺数据统计的，所以各季度实际的邮轮乘客数量是高于邮轮容量数量的。在邮轮上通常存在可容纳3人以上的多床铺舱位，所以以双床铺为统计口径的客座率较高，2003年以来均在100%以上，从而使得邮轮乘客数量很大程度上取决于邮轮公司的航次供给和运力投放。可以说，乘客数据、容量数据和航次数据三者具有基本一致的互动关系。进一步，由于邮轮旅游的季节性是通过邮轮乘客的选择而体现的，所以本文以邮轮乘客（季度和月度）的时间序列数据为样本对北美邮轮市场的季节性进行研究。
2.2季度数据的季节性调整
本文数据来源于美国交通部（U.S.Department of Transportation）海事局（Maritime Administration）公布的北美地区2005-2011年全部30198个邮轮航次数据。数据包括每个航次的船舶名称、起航时间、出发港口、目的地、巡游期限、乘客数量、邮轮容量等。笔者按照季度和月度对乘客数据进行了整理，最终季度时间序列的长度为28，月度数据序列长度为84。由于北美邮轮乘客序列具有随时间递增的趋势，故利用X-12-ARI 本文由wwW. 001lunwen.com提供，第一论文 网专业代写教育教学论文和毕业论文以及发表论文服务，欢迎光临dYlw.nETMA季节调整方法中的乘法模型进行分析。利用Eviews6.0软件对相应的时间序列进行季节调整，从而得到季节调整后序列、趋势成分序列、季节成分序列以及不规则成分序列。在使用X-12-ARIMA进行季节调整时，数据序列使用乘法模型，并未进行对数等数据转换。同时，对数据进行了日历效应的调整，并默认进行异常值的自动检验。检测结果表明，两序列均未发现附加异常值（additive outlier，AO）、暂时变动异常值（temporary change，TC）和水平变换异常值（LevelShift，LS）。
首先，笔者以北美邮轮乘客的季度数据为样本对数据序列进行季节调整。X-12-ARIMA模型给出了11种取值在0-3之间的统计量来判断季节调整的质量。这些统计量的值越小说明季节调整的效果越好，但只有取值在 本文由wwW. 001lunwen.com提供，第一论文 网专业代写教育教学论文和毕业论文以及发表论文服务，欢迎光临dYlw.nET0-1之间才能接受。从季节性调整诊断报告来看，在X-12-ARIMA程序给出的用于质量控制的M统计量中有10个数值是小于1的；且通过线性加权得到的季节调整质量复合指标（Q统计量）的值为0.74，说明季节调整的效果良好。此外，从差分后的季节调整序列和不规则成分的谱线图也可以直观地看出，在季节频率和交易日频率上均未出现显著的尖峰，表明季节调整后序列和不规则成分中均不含有季节性成分和交易日成分，因此季节调整的结果是可接受的。进一步，将原始序列与季节调整后的序列（PASSENGER SA）进行对比后可以看出，调整后的数据序列较调整前的曲线更加平滑，说明已经剔除了部分季节和不规则因素，季节调整的总体效果较好，如图1所示。
从季节调整后的数据序列可以看出，北美邮轮乘客数量呈现一种波动递增的趋势，2005年有所下降，2006年后增长势头较好，而2008年金融危机使得该市场严重萎缩，直到2010年才以较快的速度复苏。进一步，X-12-ARIMA方法将时间序列中剔除季节变动要素后可以获得潜在的趋势循环分量（PASSENGER TC），如图1所示。从图1中同样可以看出波动增长的变动趋势，实际的时间序列在趋势循环线附近上下波动。X-12-ARIMA季节调整方法可以对经济时间序列进行分解，但并不会区分趋势和循环要素，而是将两者视为一体加以考虑，难以捕捉经济序列中的长期趋势。在经济时间序列分析过程中，研究者通常会利用特定的方法将序列分解为趋势和循环成分，其中Hodrick-Prescott滤波是应用最广泛的方法之一。通过Hodrick-Prescott滤波对北美邮轮乘客数据的趋势循环序列进行分解后发现，该地区邮轮旅游市场呈现一种不断扩大的长期趋势，如图2所示。
X-12-ARIMA方法的重要用途是从原始经济序列中挖掘季节性因素。季节因素反映了不考虑时间趋势、循环趋势和不规则成分等要素时时间序列在季度或月度上的波动情况。结果表明，北美邮轮旅游的季节性不是很强，波动程度在4%左右。季节性序列（PASSENGER SF）展现出一种稳定而严格的“W型”波动情况：邮轮乘客数量从第一季度以后开始下降，到第二季度后上升，第三季度又开始下降，如图3所示。对于旅游业来说，一定程度上可以从季节成分中评估和识别出旅游的旺季和淡季。从图3可以看出，北美邮轮旅游市场在季度数据上呈现出有规律的“两峰两谷”形态，其中第一季度和第三季度为波峰，可以认为是北美邮轮市场的相对旺季；而第二季度和第四季度形成波谷或次波谷，可认为是邮轮旅游的淡季；并且季节性结构在各年表现基本一致，并无明显的年间变化。 2.3月度数据的季节性调整
通过对邮轮乘客季度数据的分析可以看出，近年来，北美市场呈现波动增长的趋势，该市场受不规则因素的影响不是很明显，且具有稳定的季节性特征，其中，第一季度和第三季度是旺季，而第二季度和第四季度是淡季。为了进一步挖掘北美邮轮乘客的季节性特性，下面利用TRAMO/SEATS季节调整方法对北美邮轮乘客的月度时间序列进行分析，并对北美邮轮乘客未来两年的月度数据进行预测。图4显示了月度数据的原始序列、趋势循环序列和季节调整后的序列。通过图中可以直观地看出，调整后的序列比原始序列平滑，可以认为基本消除了季节因素和不规则因素。
为了衡量季节性的强弱，可以通过计算季节调整序列和原始系列之间的相关系数来判断季节性总体特征，相关系数越高，则季节性越弱，反之则越强。通过计算可知，北美邮轮乘客月度数据的原始序列和季节调整序列的相关系数为0.497，明显比季度数据的值（0.735）小，说明北美邮轮市场的月度季节性比季度季节性更明显。分解后的季节成分同样呈现一种较为严格的“W型”波动形态。季节因子的变化模式表明，北美邮轮乘客的季节性差异不是特别明显，其季节性平均波动在10%以内（如图5所示），但远高于季度数据4%左右的变动程度。其中，第一季度的1月和3月、第三季度的7月、第四季度的12月是北美邮轮旅游的相对旺季，邮轮乘客数量可增长7到10个百分点；而第二季度的5月、第三季度的9月和第四季度的10月和11月是相对淡季，邮轮乘客数量会下降5到10个百分点。
从产生原因来看，旅游季节性的成因可概括为环境气候因素、社会习惯、行业习惯（包括会议、体育竞赛等）、日历效应、供应限制（劳动力可获得性和设施的替代性）等五类。从更大范畴来看，旅游季节性成因一般归结为自然因素（natural causes）和体制因素（institutional causes）。自然因素包括温度、湿度、光照、风速、降水等气候因素，体制因素通常是宗教、社会和文化因素的综合，其中公共假期是体制季节性最一般性的表现。对于时间不固定的假日时期（比如复活节），会对不同年份某个固定月份的季节性产生不同影响。通过对30198个航次数据的整理和分析表明，邮轮旅游受假期制度的影响较为显著。特别是在美国联邦假期期间（12月份圣诞节、1月份新年、3-4月份复活节和7月份国庆节），无论航次数量、航线数量还是运力供给都有显著增加，基本与季节调整的淡旺季相匹配。
此外，数据分析表明，北美邮轮乘客数量无论在季度上还是月度上受不规则因素的影响不是很大。其中不规则要素对邮轮乘客季度数据的影响在4%以内，且平均值在季度间没有显著差异；而对月度数据的影响更小（在2%以内），不规则要素的平均值在月度间的差异更小，几乎处在相同水平上，如图5所示。说明近年来北美邮轮市场并未受到重大突发事件的影响，相对比较平稳，并且统计数据也较为可靠。
另外，季节调整通常能够消除季节性因素的影响，使得年度之间数据可比，有利于环比增长率的测算以及对未来的预测。研究表明，同比指数反映的经济周期的转折点平均滞后半年，其分析会给经济决策带来诸多负面影响。而环比数据可及时反映经济的瞬间变化和变化的转折点，对经济分析具有重要价值。从计算结果来看，北美邮轮乘客月度环比增长率的波动性较明显，说明季节调整后的环比增长率能敏锐地抓住经济发展的拐点。进一步，基于ARIMA模型对北美邮轮乘客在2012年和2013年24个月的预测结果表明，北美邮轮市场仍然以当前的季节性模式处于不断扩张的阶段。
3结果及讨论
作为气候和自然条件依赖性很强的产业，邮轮旅游本身具有明显的季节性特征，但本文季节调整后的数据表明，总体来看北美邮轮旅游受季节性因素并不是很显著（调整后序列与原序列的相关系数较高），季度季节性因子的波动在4%以内，月度季节性因子的波动在10%以内。此外，不规则因素对北美邮轮乘客的影响较弱，且在季度和月度数据上的差异很小。这一现象的解释是：一方面，虽然邮轮旅游目前在北美地区较为成熟，且市场份额下降明显，但仍然处在市场扩张的阶段，且潜力巨大；另一方面，邮轮旅游的需求主要由邮轮运力投放驱动，使得近年来邮轮客座率相当高，比如自2003年以来，邮轮客座率均在100%以上。邮轮舱位的有限性和邮轮需求的增长使得邮轮乘客数量与运力投放的相关性很高（相关系数达到0.919），邮轮市场的运力或容量越大，邮轮乘客数量就越多。因此，近年来为了增加需求，邮轮公司纷纷提交邮轮订单以加大运力投放。比如2011年到2015年国际邮轮协会在册的全球邮轮存量将由2011年的329050个床铺和211艘邮轮增加到2015年的378256个床铺和239艘邮轮。
此外，在季节交替时段邮轮公司会通过船舶重配或重置策略来规避季节性影响。例如，在寒冷的月份，邮轮公司通 本文由wwW. 001lunwen.com提供，第一论文 网专业代写教育教学论文和毕业论文以及发表论文服务，欢迎光临dYlw.nET常会将船队移动到温暖的水域。就特定区域来说，邮轮公司会提供全年365天的固定航线产品，但更普遍的情况是，邮轮公司每年会多次重配船队，并提供大量季节性迁移产品来抵御季节性的不良影响。比如在北美秋季，邮轮公司会将服务于阿拉斯加的邮轮转移到加勒比海、加利福尼亚和夏威夷地区，而在春季到来时，则会将邮轮重新投放到该地区。类似地，在北欧和地中海地区的秋季，邮轮公司会将船队转移到加勒比海市场，而在春季时重新引入该市场。此外，从加拿大或新英格兰到加勒比海地区、从纽约地区到佛罗里达区域以及从阿拉斯加到墨西哥地区的迁移型航线也较为普遍。另外，还有一些邮轮可能在欧美市场与亚洲、中东和非洲地区之间调配迁移。
在邮轮迁移的过程中，为了避免邮轮调配过程中的空闲舱位，邮轮公司往往在春季和秋季向消费者推出所谓的“重置或重配航线”（repositioning cruises）或者迁移型邮轮（relocating ships或relocation trips）产品。这些航线大多安排在季节性较强的地区和季节交替的时段，比如美国南部地区（佛罗里达和加勒比海）的4月份和5月份，从而可以躲避酷热的夏季，以及美国北部地区（纽约、波士顿、华盛顿、温哥华和阿拉斯加等）的9月份、10月份和11月份，从而可以规避寒冷的冬季对邮轮旅游的冲击，如表1所示
