單永恒，高廣闊

（上海理工大學(xué)管理學(xué)院，上海200093）

近年來(lái)，我國(guó)境內(nèi)由于環(huán)境污染造成的霧霾天氣頻頻發(fā)生，霧霾天氣攜帶大量有害物質(zhì)，對(duì)生態(tài)系統(tǒng)、國(guó)民經(jīng)濟(jì)[1]、人造環(huán)境、社會(huì)情緒[2]、人體健康[3]等方面產(chǎn)生嚴(yán)重危害?！?013年中國(guó)環(huán)境狀況公報(bào)》顯示，2013年之前，全國(guó)霧霾平均天數(shù)在每一年都在增長(zhǎng)，在2013年時(shí)已經(jīng)達(dá)到了35.9天[4]。霧霾已經(jīng)在方方面面影響人們的生活，而其中對(duì)入境旅游發(fā)展?fàn)顩r的影響也逐漸受到各界關(guān)注。

中國(guó)的對(duì)外開(kāi)放政策使得入境旅游市場(chǎng)在中國(guó)經(jīng)濟(jì)中所占比重逐年增加，因此，對(duì)入境旅游市場(chǎng)的分析會(huì)直接關(guān)系到中國(guó)入境旅游政策的制定與實(shí)施。國(guó)外學(xué)者Laws（1995）提出了影響旅游者旅游目的地選擇的因素，包含了天氣、生態(tài)環(huán)境、文化以及傳統(tǒng)建筑等因素[5]。國(guó)內(nèi)學(xué)者程勵(lì)（2015）等基于旅游目的地選擇理論，使用偏最小二乘法結(jié)構(gòu)方程模型研究城市居民在霧霾天氣影響下的旅游地選擇傾向，得出霧霾已對(duì)城市居民的旅游目的地選擇傾向產(chǎn)生顯著負(fù)面影響[6]。高廣闊（2016）等基于京津冀地區(qū)面板數(shù)據(jù)，采用混合模型，分析了霧霾天氣等因素對(duì)入境旅游的影響，發(fā)現(xiàn)地區(qū)旅游資源豐富程度與空氣狀況會(huì)顯著影響到入境游客量的變化[7]。以上研究雖然對(duì)入境旅游的影響因素進(jìn)行了分析，但選取角度均為客觀角度，未考慮入境游客對(duì)于旅游目的地的主要關(guān)注點(diǎn)，而每個(gè)游客對(duì)于目的地的偏好是不同的，因此，如何選取數(shù)據(jù)來(lái)體現(xiàn)入境游客對(duì)于各因素的偏好是尤為困難的。

隨著近年來(lái)網(wǎng)絡(luò)信息技術(shù)的發(fā)展，網(wǎng)絡(luò)搜索數(shù)據(jù)逐漸被國(guó)內(nèi)外研究者重視。國(guó)外學(xué)者Ginsberg·J（2009）利用谷歌提供的搜索解析功能，從中提取了與流感有關(guān)的關(guān)鍵詞的搜索熱度變化情況，建立了流感監(jiān)測(cè)模型，該模型能提前預(yù)測(cè)流感暴發(fā)趨勢(shì)[8]。研究表明，網(wǎng)絡(luò)搜索中某些數(shù)據(jù)可以一定程度上代表某一無(wú)法具象化的因素，因此其在經(jīng)濟(jì)預(yù)測(cè)[9]、傳播學(xué)[10]、推薦系統(tǒng)[11]等方面的應(yīng)用也十分廣泛。例如，DavidsonA·P（2004）獲取了以臺(tái)灣為旅游目的地的網(wǎng)站的網(wǎng)絡(luò)流量情況，經(jīng)過(guò)與現(xiàn)實(shí)世界中臺(tái)灣游客量情況對(duì)比后發(fā)現(xiàn)網(wǎng)絡(luò)的信息流會(huì)對(duì)游客的旅游行為產(chǎn)生引導(dǎo)作用[12]。網(wǎng)絡(luò)搜索數(shù)據(jù)在旅游研究中的使用提高了對(duì)于游客量預(yù)測(cè)的準(zhǔn)確程度，但對(duì)于數(shù)據(jù)信息的挖掘仍不夠徹底。鑒于此類(lèi)情況，本文將采用網(wǎng)絡(luò)搜索數(shù)據(jù)具象化入境游客對(duì)于目的地各種條件的偏好情況建立BP神經(jīng)網(wǎng)絡(luò)模型，以研究霧霾背景下上海市入境游客量的變化情況，以預(yù)測(cè)準(zhǔn)確度的改變?yōu)楹饬繕?biāo)準(zhǔn)，進(jìn)一步說(shuō)明地區(qū)的各種條件對(duì)入境游客量的影響，為相關(guān)部門(mén)提供政策建議。

一、數(shù)據(jù)說(shuō)明與研究方法

（一）入境游客量（Y）

考慮到入境外國(guó)游客對(duì)中國(guó)旅游業(yè)發(fā)展的主要貢獻(xiàn)，本文主要截取中國(guó)入境旅游統(tǒng)計(jì)中入境外國(guó)游客量的數(shù)據(jù)。從上海市旅游局獲取了2013年10月至2016年10月上海市每月的入境外國(guó)游客量數(shù)據(jù)[13]。

（二）谷歌趨勢(shì)與關(guān)鍵詞選?。╔1～X7）

谷歌搜索引擎占全球66.7%的市場(chǎng)份額，2016年谷歌的年搜索次數(shù)已經(jīng)達(dá)到了2萬(wàn)億次，即每秒全球有約63 000人在使用谷歌搜索[14]，而且谷歌近年來(lái)推出的谷歌趨勢(shì)服務(wù)可以報(bào)告某一搜索關(guān)鍵詞從2004年至今的每周或每月搜索的相對(duì)詞頻以及其變化趨勢(shì)[15]。由于該指標(biāo)的計(jì)算方式為關(guān)鍵詞與谷歌搜索總量的比值標(biāo)準(zhǔn)化，因此，可以排除搜索引擎使用人數(shù)的增加所導(dǎo)致關(guān)鍵詞搜索量劇烈變動(dòng)。

網(wǎng)絡(luò)數(shù)據(jù)中用戶搜索關(guān)鍵詞的選取是體現(xiàn)游客主觀偏好的關(guān)鍵。本文綜合入境旅游的客觀影響因素與入境游客的主觀偏好，按照目的地知名度、目的地標(biāo)志性景點(diǎn)知名度、中國(guó)霧霾情況、目的地飲食、目的地交通、目的地簽證、目的地天氣這幾個(gè)代表性因素選取相關(guān)搜索次數(shù)較多的關(guān)鍵詞，見(jiàn)表1。

（三）研究思路

表1 關(guān)注點(diǎn)的關(guān)鍵詞

綜合考慮上海市入境外國(guó)游客數(shù)量以及入境游客主要考慮的因素，由“谷歌趨勢(shì)”中提取可具象化各相關(guān)因素的關(guān)鍵詞搜索趨勢(shì)數(shù)據(jù)，以上海市入境游客量數(shù)據(jù)作為預(yù)測(cè)量，采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建入境外國(guó)游客量的預(yù)測(cè)模型，以2013年10月至2016年2月的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，對(duì)2016年3月至2016年10月的入境游客量進(jìn)行預(yù)測(cè)，建模過(guò)程中改變輸入元素的數(shù)量，以每個(gè)模型的預(yù)測(cè)精度為標(biāo)準(zhǔn)建立衡量體系，直觀地給出外國(guó)游客的偏好變化對(duì)入境游客量的影響，并進(jìn)一步分析霧霾背景下各條件的變化對(duì)入境外國(guó)游客的旅游決定產(chǎn)生的作用

二、實(shí)證分析

（一）模型建立

對(duì)于函數(shù)的估計(jì)方面，神經(jīng)網(wǎng)絡(luò)具有可以以任意精度映射復(fù)雜的非線性關(guān)系這一優(yōu)點(diǎn)。本文將使用BP神經(jīng)網(wǎng)絡(luò)算法來(lái)建立預(yù)測(cè)模型，所建立的BP神經(jīng)網(wǎng)絡(luò)模型采用單隱層結(jié)構(gòu)，隱藏層的節(jié)點(diǎn)數(shù)目為10，學(xué)習(xí)速率為0.000 1，并且在學(xué)習(xí)過(guò)程中其學(xué)習(xí)率是遞減的，主要原因?yàn)閆inkevich（2003）在文章中指出遞減的學(xué)習(xí)率可以保證使用隨機(jī)梯度下降策略是其函數(shù)最低收斂于局部最優(yōu)值[16]。模型采用2013年10月至2016年2月的數(shù)據(jù)作為模型訓(xùn)練數(shù)據(jù)，將2016年2月至2016年10月的數(shù)據(jù)作為模型的測(cè)試集使用。主要模型與模型所使用的關(guān)鍵詞如下表（3）所示。

（二）評(píng)價(jià)指標(biāo)

本文選取預(yù)測(cè)精度D以及預(yù)測(cè)數(shù)據(jù)可信度Z作為衡量標(biāo)準(zhǔn)，來(lái)反映四個(gè)模型的結(jié)果，其計(jì)算公式為：

其中預(yù)測(cè)精度的大小可以反映模型變量所包含的信息量的大小，精度越高的模型的變量組合最優(yōu)。而預(yù)測(cè)數(shù)據(jù)可信度Z越大說(shuō)明預(yù)測(cè)結(jié)果落在可接受范圍內(nèi)的數(shù)量越多。

（三）結(jié)果分析

表3為各模型的預(yù)測(cè)精度，為方便分析，可將8個(gè)模型的預(yù)測(cè)精確度可分為四個(gè)檔次，其中，預(yù)測(cè)精度大于92.75%的為預(yù)測(cè)準(zhǔn)確的第一檔次，第二檔次為預(yù)測(cè)精度處于91.5%與92.75%之間的模型，第三與第四檔次的取值范圍分別為（90.25%，91.5%）、（89%，90.25%）。其中，模型（1）與模型（2）位第一檔，沒(méi)有模型位于第二檔，第三檔包括模型（3）、模型（4）、模型（7）、模型（8），而模型（5）與模型（6）則位于第四檔。

表2 模型變量

表3 模型預(yù)測(cè)精度比較

圖1為將模型按照檔次劃分后的預(yù)測(cè)結(jié)果與真實(shí)值的趨勢(shì)圖，從中可以發(fā)現(xiàn)，模型（1）的預(yù)測(cè)結(jié)果除個(gè)別點(diǎn)之外已經(jīng)可以較為準(zhǔn)確地預(yù)測(cè)出入境游客量的數(shù)量變化，其預(yù)測(cè)精度也達(dá)到了93.5%。雖然模型（2）的預(yù)測(cè)精度與模型（1）相差無(wú)幾，但從趨勢(shì)圖中可以看出模型（2）的預(yù)測(cè)結(jié)果并不理想，說(shuō)明本文所選擇的關(guān)鍵詞可以全面反映入境外國(guó)游客在選擇旅游目的地時(shí)所關(guān)心的方面，而模型（2）的趨勢(shì)圖也說(shuō)明了關(guān)鍵詞Shanghai的剔除對(duì)模型預(yù)測(cè)精度基本沒(méi)有影響；沒(méi)有模型的預(yù)測(cè)精度位于第二檔，因此不做分析；對(duì)于模型（3）、（4）、（7）、（8），其預(yù)測(cè)精度均在 91%左右，趨勢(shì)圖中也可以發(fā)現(xiàn)，這些模型的預(yù)測(cè)結(jié)果趨勢(shì)與真實(shí)值是一致的，但其結(jié)果均小于真實(shí)值；第四檔中模型（5）、（6）的預(yù)測(cè)精度是最低的，由

圖1 模型結(jié)果

圖1d也可以看出在剔除了Shanghai Chinese restaurant與Flight to Shanghai之后的模型雖然有89%的預(yù)測(cè)精度，但其預(yù)測(cè)結(jié)果已經(jīng)不能讓人信服了。

三、結(jié)論與建議

入境旅游市場(chǎng)一定程度上反映了一個(gè)國(guó)家第三產(chǎn)業(yè)的發(fā)展?fàn)顩r，對(duì)其進(jìn)行科學(xué)的分析可以為國(guó)家入境旅游的政策制定提供參考依據(jù)。本文選取2013年10月至2016年10月的上海市入境外國(guó)游客量，以入境游客的主觀偏好為影響因素，構(gòu)建了包含不同自變量的BP神經(jīng)網(wǎng)絡(luò)模型，以每個(gè)模型的預(yù)測(cè)精度不同作為衡量標(biāo)準(zhǔn)，以此說(shuō)明在霧霾背景下上海市應(yīng)加強(qiáng)入境游客關(guān)注最多的方面來(lái)進(jìn)行入境旅游市場(chǎng)的建設(shè)。研究主要得出以下結(jié)論。

本文所選擇的關(guān)鍵詞可以全面反映入境外國(guó)游客在選擇旅游目的地是所關(guān)注的重點(diǎn)，包含所有被選擇變量的模型（1）的預(yù)測(cè)精度達(dá)到了93.5%。就上海市的入境旅游情況來(lái)看，上海市的入境外國(guó)游客最關(guān)心的是該地區(qū)的航班情況與飲食情況，模型中這兩個(gè)關(guān)鍵詞的剔除已經(jīng)使得模型的結(jié)果不能令人信服，因此，地區(qū)的航班情況與飲食情況最能影響到潛在外國(guó)游客對(duì)于旅游決策的制定。而主要景點(diǎn)、空氣污染、護(hù)照情況與天氣情況的受關(guān)注程度僅次于航班與飲食，且這幾個(gè)關(guān)注點(diǎn)的重要程度十分一致，排除天氣情況這一不可人為控制的因素，其余三點(diǎn)都會(huì)一定程度上影響上海市入境游客量的變化。第一檔中模型（2）的預(yù)測(cè)精度說(shuō)明了在入境外國(guó)游客選擇目的地時(shí)，地理位置對(duì)外國(guó)游客的旅游決策是不會(huì)產(chǎn)生明顯影響的。

實(shí)驗(yàn)結(jié)果表明，在霧霾天氣這一大背景下，航班情況與飲食情況仍然是外國(guó)游客在選擇旅游目的地時(shí)的首要考慮因素，而在其余因素中，霧霾的影響程度已經(jīng)與簽證情況基本一致，達(dá)到了不容忽視的地步了。針對(duì)以上情況，本文給出如下建議。

增加航班，提高交通便利程度。由于入境外國(guó)游客的出行方式主要為航班，目的地空運(yùn)系統(tǒng)的建設(shè)顯得尤為重要。加強(qiáng)飲食安全管理，國(guó)外的飲食習(xí)慣與國(guó)內(nèi)不同，因此，一個(gè)放心的飲食條件會(huì)吸引更多的外國(guó)游客。

采取多種措施減少霧霾天氣的發(fā)生。模型結(jié)果證實(shí)，霧霾天氣對(duì)入境旅游的影響已經(jīng)不容忽視了，而霧霾的治理需要從多個(gè)方面同時(shí)進(jìn)行。相關(guān)部門(mén)應(yīng)該出臺(tái)從各個(gè)行業(yè)、各個(gè)層面的霧霾治理方案，在減排的同時(shí)提高全社會(huì)的保護(hù)環(huán)境質(zhì)量意識(shí)。

加強(qiáng)標(biāo)志性景點(diǎn)宣傳力度，提高外國(guó)游客辦理入境旅游簽證的便利程度。模型結(jié)果說(shuō)明旅游地區(qū)標(biāo)志性景點(diǎn)的知名度與辦理入境旅游簽證的相關(guān)信息會(huì)顯著影響到地區(qū)的游客量。因此，地區(qū)在對(duì)旅游宣傳方面應(yīng)選取地區(qū)標(biāo)志性景點(diǎn)作為主要宣傳目標(biāo)，以建立地區(qū)旅游特色，樹(shù)立旅游形象。此外，在辦理旅游簽證方面應(yīng)靈活迅速。

參考文獻(xiàn)：

[1]Yin Y W，Cheng J P，Duan Y S，et al．Economic Evaluation of Residents'Health Hazard Caused by PM 2．5 of Haze Pollution in a City[J]．Journal of Environment and Health，2011，28（3）：250-252．

[2]Evans G W，Jacobs S V．Air pollution and human behavior[J]．Journal of Social Issues，1981，37（1）：95-125．

[3]Gao M，Guttikunda S K，Carmichael G R，et al．Health impacts and economic losses assessment of the 2013 severe haze event in Beijing area[J]．Science of the Total Environment，2015，511：553-561．

[4]中華人民共和國(guó)環(huán)境保護(hù)部．2013 年中國(guó)環(huán)境狀況公報(bào)[EB/OL]．http：//www．zhb．gov．cn/hjzl/zghjzkgb/lnzghjzkgb/

[5]Laws E．Tourist destination management：issues，analysis and policies[M]．Routledge，1995．

[6]程勵(lì)，張同顥，付陽(yáng)．城市居民霧霾天氣認(rèn)知及其對(duì)城市旅游目的地選擇傾向的影響[J]．旅游學(xué)刊，2015，30（10）：37-47．

[7]高廣闊，馬利霞．霧霾污染對(duì)入境客流量影響的統(tǒng)計(jì)研究[J]．旅游研究，2016，8（4）：77-82．

[8]Ginsberg J，Mohebbi M H，Patel R S，et al．Detecting influenza epidemics using search engine query data[J]．Nature，2009，457（7232）：1012-1014．

[9]張崇，呂本富，彭賡，等．網(wǎng)絡(luò)搜索數(shù)據(jù)與 CPI的相關(guān)性研究[J]．管理科學(xué)學(xué)報(bào)，2012，（7）：50-59+70．

[10]Ginsberg J，Mohebbi M H，Patel R S，et al．Detecting influenza epidemics using search engine query data[J]．Nature，2009，457（7232）：1012-1014．

[11]Chen F C．Back-propagation neural networks for nonlinear self-tuning adaptive control[J]．IEEE Control systems magazine，1990，10（3）：44-48．

[12]Davidson A P，Yu Y．The Internet and the occidental tourist：An analysis of Taiwan’s tourism websites from the perspective of western tourists[J]．Information Technology&Tourism，2004，7（2）：91-102．

[13]Yang X，Pan B，Evans J A，et al．Forecasting Chinese tourist volume with search engine data[J]．Tourism Management，2015，46：386-397．

[14]Choi H，Varian H．Predicting the present with Google Trends[J]．Economic Record，2012，88（s1）：2-9．

[15]上 海 市 旅 游 局 ．上 海 旅 游 統(tǒng) 計(jì) 資 料 （2013．10—2016．10）[E B/OL]．http：//lyw．sh．gov．cn/lyj_website/HTML/DefaultSite/lyj_xxgk_lytj_2016/List/list_0．htm．

[16]Zinkevich M．Online convex programming and generalized infinitesimal gradient ascent[J]．2003．