張 峰,陶玉國(guó)

(江蘇師范大學(xué) 歷史文化與旅游學(xué)院,江蘇 徐州 221116)

1 引言

當(dāng)前，氣候變暖加劇成為全人類共同面對(duì)的緊迫威脅[1],高度依賴氣候資源的旅游業(yè)則成為氣候變化的主要“受害者”[2]。近年來,游客對(duì)氣候變化的感知在學(xué)術(shù)界被廣泛關(guān)注[3]。Dubois等認(rèn)為，游客對(duì)天氣和氣候的感知影響到他們的滿意度[4]。一些研究在對(duì)西班牙、芬蘭的多個(gè)或單個(gè)旅游區(qū)進(jìn)行實(shí)地調(diào)查的基礎(chǔ)上，運(yùn)用數(shù)理統(tǒng)計(jì)類方法得出游客對(duì)氣候變化持有負(fù)面評(píng)價(jià)[5,6]。在依賴自然資源的滑雪勝地類旅游目的地,游客更易感知到氣候變化的危機(jī),且這種危機(jī)意識(shí)隨著時(shí)間演變會(huì)越來越強(qiáng)烈[7]。相對(duì)于紅海地區(qū)運(yùn)營(yíng)商對(duì)氣候變化的中等感知水平,游客則具有明顯的危機(jī)意識(shí),兩者之間存在著“感知差距”[8]。少數(shù)研究在實(shí)地調(diào)查的基礎(chǔ)上運(yùn)用SEM模型發(fā)現(xiàn)游客對(duì)天氣狀況非常寬容,風(fēng)和低溫等天氣因素并未顯著影響游客對(duì)天氣的整體評(píng)價(jià)[9]?？傮w而言,上述研究基本認(rèn)為游客已經(jīng)感知到氣候變化的危機(jī),研究以個(gè)案為主,數(shù)據(jù)來源幾乎全部來自實(shí)地調(diào)查。

當(dāng)前,隨著社交媒體時(shí)代的到來,對(duì)社交媒體大數(shù)據(jù)進(jìn)行情感分析可為游客體驗(yàn)滿意度研究提供一個(gè)新的視角[10-13]。情感分析是關(guān)于人們對(duì)實(shí)體、個(gè)體、問題、事件、主題及其屬性的看法、評(píng)價(jià)、態(tài)度和情感的計(jì)算研究[14]?，F(xiàn)有情感分析方法可分為基于情感詞典的詞典匹配方法和基于語(yǔ)料的機(jī)器學(xué)習(xí)方法兩大類[15,16]。劉逸利用基于由知網(wǎng)發(fā)布的HowNet詞典的詞匯匹配技術(shù)構(gòu)建了旅游目的地情感評(píng)價(jià)模型[17];Kirilenko、鄧寧等分別運(yùn)用SentiStrength、SentiWordNet情感詞典的詞匯匹配方法分析了游客的情感形象[18,19];Markopoulos等則依托機(jī)器學(xué)習(xí)中的支持向量機(jī)(Support Vector Machine,SVM)、樸素貝葉斯(Naive Bayes,NB)比較分析了酒店住客的情感評(píng)價(jià)值[20];Ye等利用有監(jiān)督的SVM和NB等方法探討了歐美旅游目的地的情感體驗(yàn)[21]?？傮w來說,結(jié)果最為精確的人工神經(jīng)網(wǎng)絡(luò)分析法(Artificial Neural Network,ANN)的相關(guān)成果相對(duì)偏少[13,22]。情感分析以目的地研究為對(duì)象時(shí),以整體分析居多,專題分析較為少見。

近年來，旅游目的地環(huán)境情感分析這一專題研究引起了學(xué)術(shù)界的高度重視,推動(dòng)著旅游情感研究向縱深發(fā)展。Kirilenko等關(guān)注了美國(guó)人的感官經(jīng)歷與當(dāng)?shù)貧鉁刈兓穆?lián)系,并通過回歸分析認(rèn)為大眾媒體報(bào)道在控制著公眾對(duì)該主題的情感[23];Becken等運(yùn)用詞匯匹配方法測(cè)算了大堡礁旅游生態(tài)環(huán)境評(píng)論的情感值[11];Saura等運(yùn)用無監(jiān)督的SVM方法測(cè)算了關(guān)于西班牙酒店環(huán)境的推特評(píng)論的情感值[24]。

由此可見,目前環(huán)境專題研究對(duì)氣候的討論較少,主要為國(guó)外成果,而東西方的環(huán)境價(jià)值觀有所不同[25],對(duì)我國(guó)國(guó)內(nèi)游客進(jìn)行旅游目的地氣候的感知分析是一個(gè)值得探討的重要話題,再考慮到我國(guó)的干旱區(qū)和半干旱區(qū)約占國(guó)土總面積的52.5%,且干旱區(qū)對(duì)全球氣候變化響應(yīng)更加敏感[26],因此本文嘗試以我國(guó)干旱區(qū)5A景區(qū)為案例區(qū),收集了游客在新浪微博上發(fā)布的有關(guān)氣候的評(píng)論,并利用人工神經(jīng)網(wǎng)絡(luò)的這一機(jī)器學(xué)習(xí)法分析評(píng)論情感值,同時(shí)借助扎根理論范式歸納出低情感值的影響因素。

2 數(shù)據(jù)來源及研究方法

2.1 數(shù)據(jù)來源

作為一個(gè)擁有龐大文本語(yǔ)料庫(kù)的新浪微博,與Facebook、Twitter等在線社交媒體一樣,是情感分析的一個(gè)重要數(shù)據(jù)源[12,27,28]。本研究采用網(wǎng)絡(luò)爬蟲工具獲取新浪微博數(shù)據(jù)。在收集口徑方面,基于氣候是天氣的平均狀態(tài)[29],對(duì)長(zhǎng)時(shí)段天氣的平均狀態(tài)進(jìn)行評(píng)價(jià)，實(shí)質(zhì)是對(duì)氣候變化評(píng)價(jià)的考慮。本研究采用“天氣”或“氣候”+“景區(qū)名稱”作為關(guān)鍵詞采集干旱區(qū)氣候變化的相關(guān)數(shù)據(jù),劃分標(biāo)準(zhǔn)為內(nèi)蒙古自治區(qū)、新疆維吾爾自治區(qū)、甘肅省、寧夏回族自治區(qū)、青海省、陜西省、山西省、西藏自治區(qū)8個(gè)省區(qū)[30],并初步選擇這8個(gè)省區(qū)中的5A級(jí)景點(diǎn)作為案例地。

在收集時(shí)段方面,考慮到新浪微博于2009年創(chuàng)立,故搜索時(shí)間限制為2009年1月1日至2018年6月30日。由于本研究是嘗試通過游客的敘述洞察氣候如何影響旅游情感,故去噪時(shí)剔除了來自政府、企業(yè)、媒體等干擾數(shù)據(jù)。獲取原始數(shù)據(jù)13276條評(píng)論,為確保去噪過程更加精準(zhǔn),去噪主要依靠人工完成。由于2009與2010年評(píng)論條數(shù)低于200,故予以剔除,最終收集到2011年1月1日至2018年6月30日的45家5A級(jí)景區(qū)共計(jì)6721條有效評(píng)論,總計(jì)50萬(wàn)余字。

2.2 研究方法

本研究采用情感分析和扎根理論相結(jié)合的研究方法。在情感分析技術(shù)方面,本研究通過編輯Python3.0程序調(diào)動(dòng)Boson平臺(tái)的基于中文語(yǔ)料半監(jiān)督的ANN這一機(jī)器學(xué)習(xí)方法。選擇該平臺(tái)的理由為:①平臺(tái)能有效對(duì)接微博數(shù)據(jù)。平臺(tái)的語(yǔ)義語(yǔ)料庫(kù)是根據(jù)微博、論壇等渠道的數(shù)據(jù)自動(dòng)構(gòu)建的,在分析時(shí)通過設(shè)置URL參數(shù)以限定語(yǔ)料庫(kù)為微博語(yǔ)料庫(kù),從而實(shí)現(xiàn)無縫對(duì)接。②在平臺(tái)上，基于人工智能算法的ANN方法具有較高的準(zhǔn)確率,而方法的相關(guān)成果較少見。Kirilenko等給出了準(zhǔn)確率等情感分析評(píng)估準(zhǔn)則的含義和根據(jù)表1擬定的評(píng)估準(zhǔn)則的計(jì)算公式[13]。準(zhǔn)確率(A)描述了檢測(cè)結(jié)果中正確的話題數(shù)量與檢測(cè)結(jié)果的總話題數(shù)量的比率;精度(P)描述了檢測(cè)結(jié)果中正確的某類極性的話題數(shù)量與檢測(cè)結(jié)果的為同類極性的話題數(shù)量的比率;召回率(R)描述了檢測(cè)結(jié)果中正確的話題數(shù)量與被測(cè)試集中應(yīng)有的話題數(shù)量的比率;F1值集合了精度和召回率這兩個(gè)評(píng)價(jià)參數(shù)描述了算法的總體優(yōu)劣。

表1 三元情感分類結(jié)果混淆矩陣

(1)

(2)

(3)

(4)

平臺(tái)準(zhǔn)確率高的原因主要來自以下兩個(gè)方面:第一,平臺(tái)訓(xùn)練語(yǔ)料庫(kù)規(guī)模達(dá)到千萬(wàn)級(jí),而機(jī)器學(xué)習(xí)法中訓(xùn)練語(yǔ)料庫(kù)規(guī)模越大,分析的準(zhǔn)確率就越高[21,31];第二,平臺(tái)既能有效識(shí)別名詞、動(dòng)詞等不同詞性的一般詞匯,還能識(shí)別蒂莫西伊斯頓等專有名詞、俚語(yǔ)等特殊詞匯及網(wǎng)絡(luò)詞匯的情感,甚至還能挖掘出客觀評(píng)論的隱含情感。ANN測(cè)試結(jié)果顯示,俚語(yǔ)“遛彎兒”的情感值為0.731,網(wǎng)絡(luò)用語(yǔ)“555”和“666”的情感值分別為0.042和0.889,句子“北京霧霾讓人無法躲避”和“北京可讓人躲避霧霾”的情感值分別為0.248和0.805。

通過Python 3.0編寫計(jì)算機(jī)編程語(yǔ)言處理的環(huán)節(jié)有兩個(gè),一是調(diào)用Boson平臺(tái)上ANN方法分析篇章級(jí)評(píng)論文本,二是輸出景區(qū)的年度值、季度值、月份值等情感值?？紤]到情感分值在0和1之間及正負(fù)臨界值為0.5,因此將評(píng)價(jià)等級(jí)標(biāo)準(zhǔn)擬定如下:非常差(0—0.1)、很差(0.11—0.20)、差(0.21—0.30)、較差(0.31—0.40)、稍差(0.41—0.50)、稍好(0.51—0.60)、較好(0.61—0.70)、好(0.71—0.80)、很好(0.81—0.90)、非常好(0.91—1)。

3 情感值時(shí)空分異特征

總體來看,對(duì)6721條評(píng)論進(jìn)行分析顯示,我國(guó)干旱區(qū)5A景區(qū)情感整體值是0.757,屬于“好”級(jí),說明游客對(duì)干旱區(qū)景點(diǎn)氣候條件的感知偏向正面,這既與氣候條件大體上讓游客滿意有關(guān),也與游客傾向在社交媒體上分享美好快樂經(jīng)歷的表現(xiàn)密不可分[32]。這種對(duì)氣候條件的正負(fù)感知最終將影響到目的地的整體形象感知,正如相關(guān)研究指出的,氣候是旅游目的地形象的重要組成成分[33]。

3.1 年際變化

由圖1可以看出,近7年干旱區(qū)5A景區(qū)氣候情感值分別為0.772、0.756、0.767、0.783、0.787、0.753、0.753,均為“好”級(jí),呈“W”型波動(dòng),總體呈下降趨勢(shì),降幅為2.46%。其中,2015年情感值最高,2012年值最低,最高比最低值高5.92%。生態(tài)環(huán)境的情感體驗(yàn)一定程度上反應(yīng)了生態(tài)環(huán)境的質(zhì)量[11,34],因此情感值呈下降趨勢(shì)體現(xiàn)了干旱區(qū)景區(qū)氣候質(zhì)量的急劇下降,其原因可能與氣候變化帶來的威脅相關(guān)[35]。

圖1 2011—2017年氣候情感值變化趨勢(shì)

3.2 季度變化

根據(jù)情感值在不同季度的波動(dòng)情況,可將其變化分三種類型(圖2)。一是以2011年、2012年、2014年為代表的穩(wěn)步上升型;二是以2013年、2016年為代表的先升后降型,最高值出現(xiàn)在第二季度;三是以2015年、2017年為代表的降—升—降型,最高值出現(xiàn)在第三季度。這三類共同特征是第一季度值較低,表明游客對(duì)第一季度氣候條件滿意度最低。李山等基于氣象戰(zhàn)點(diǎn)數(shù)據(jù),利用加權(quán)模式算法研究得出結(jié)論,冬季全國(guó)年平均氣候舒適期是最短的,平均不到2天[36],從有關(guān)干旱區(qū)旅游氣候舒適期的研究可知,氣候舒適期主要出現(xiàn)在4—10月期間[37-39],這均與本研究得出的第一季度情感值最低、第二、三季度情感值較高的結(jié)果相一致。

3.3 變化類型

為了解不同景區(qū)情感值的時(shí)間演變規(guī)律,此處在剔除評(píng)論數(shù)少于100的景區(qū)基礎(chǔ)上,對(duì)最終保留的20個(gè)景區(qū)進(jìn)行分析。結(jié)果表明,呈上升趨勢(shì)和下降趨勢(shì)的景區(qū)數(shù)量均為10家,兩者持平。以氣候情感總體均值0.757及升降變化為依據(jù)可將景區(qū)情感值變化劃分為以下4種類型(圖3)：Ⅰ型為低值下降型景區(qū),包括青海湖、響沙灣、沙坡頭、大昭寺4個(gè)景區(qū),游客對(duì)該類景區(qū)氣候感知的情感值很低,且情感值仍呈下降趨勢(shì),因此需要從國(guó)家政策層面到游客個(gè)體行動(dòng)等方面采取有效的緩解措施;Ⅱ型為低值上升型景區(qū),游客對(duì)此類景區(qū)的氣候情感體驗(yàn)在逐步改善;Ⅲ型為高值上升型景區(qū),包括那拉提、五臺(tái)山、柴河、云岡石窟4個(gè)景區(qū),此類景區(qū)的氣候條件游客評(píng)價(jià)最高,這有助于提升此類景區(qū)的旅游吸引力;Ⅳ型為高值下降型景區(qū),景區(qū)管理者需要多關(guān)注此類景區(qū)氣候條件對(duì)游客體驗(yàn)所帶來的影響,避免其惡化為Ⅰ型景區(qū)。

圖2 氣候情感值季度變化

圖3 依據(jù)景區(qū)情感均值與升降變化的分類

圖4 氣候情感值空間分布

3.4 空間分布

從省級(jí)層面看,青海、甘肅、西藏、內(nèi)蒙古、陜西、寧夏、山西和新疆8個(gè)少區(qū)的情感值分別為0.734、0.742、0.753、0.753、0.762、0.776、0.782和0.784,依次升高,最高值比最低值高6.81%，見圖4。

圖5 青海、甘肅景區(qū)氣候評(píng)論語(yǔ)義網(wǎng)絡(luò)圖

低情感值區(qū)域位于干旱區(qū)的中部地帶,以青海省和甘肅省兩省為核心,以內(nèi)蒙古與西藏為延伸,而高情感值區(qū)域主要分別在干旱區(qū)的東西兩側(cè),由新疆維吾爾自治區(qū)、寧夏回族自治區(qū)、山西省和陜西省四個(gè)省區(qū)構(gòu)成。需要特別指出的是,地處亞歐大陸腹地的新疆維吾爾自治區(qū)的景區(qū)多受大西洋的影響,其情感值較高?？傊?低情感值區(qū)域和高情感值區(qū)域均具有一定的空間連續(xù)性,呈現(xiàn)區(qū)域集中性特征,而上升型景區(qū)和下降型景區(qū)則基本在每個(gè)省級(jí)區(qū)域都有分布,空間分布較為零散。

根據(jù)情感值最低的青海和甘肅的評(píng)論得到的語(yǔ)義網(wǎng)絡(luò)見圖5。由圖5可知,與高頻特征詞“天氣”相連的詞匯除了“開心、美麗”等正面形容詞之外,還出現(xiàn)了“遺憾、可惜”等負(fù)面情感詞,正面形象不明顯;與高頻特征詞“氣候”相連的唯一的外圍結(jié)構(gòu)詞匯是“干燥”,這是游客對(duì)本區(qū)氣候最明顯的感知。

4 低情感值影響因素分析

對(duì)低情感值影響因素進(jìn)行進(jìn)一步的深入識(shí)別，有利于為氣候變化危機(jī)管理提供依據(jù)。本研究篩選出所有景區(qū)情感值低于0.5的評(píng)論文本作為分析對(duì)象,并采用扎根理論這種探索性研究技術(shù),試圖在經(jīng)驗(yàn)資料的基礎(chǔ)上自下而上地構(gòu)建實(shí)質(zhì)理論。

表2 開放式編碼分析舉例

4.1 開放式編碼

開放式編碼是對(duì)收集的原始資料逐字逐句進(jìn)行編碼與標(biāo)簽,從中定義現(xiàn)象并將其概念化與范疇化。我們對(duì)氣候評(píng)論文本直接進(jìn)行自由編碼,不斷將資料進(jìn)行比對(duì),提取各條評(píng)論中反復(fù)出現(xiàn)的低情感值影響因素類型,將相同或類似的類型進(jìn)行合并、重組和整合,最終提取21個(gè)概念范疇(表2),分別為:氣溫不宜、空氣干燥、風(fēng)速過高、日照強(qiáng)烈、氣候多變、揚(yáng)塵天氣、身體傷害、心理傷害、酸雨腐蝕、暴雨沖刷、古跡風(fēng)化、草場(chǎng)荒漠、戶外活動(dòng)、物品攜帶、計(jì)劃變更、視覺阻礙、去程阻礙、行中阻滯、回程滯留、目的地期望、客源地差異。

4.2 主軸式編碼

主軸編碼是將開放性編碼進(jìn)行連續(xù)不斷地比較,再加以合并和類聚,使其更加具有指向性、理論性,并發(fā)展和建立概念間各種關(guān)系的過程。通過分析,本文將21個(gè)范疇進(jìn)一步歸納為6個(gè)主范疇,分別為:氣候不佳、身心健康、景區(qū)受損、游覽限制、交通受阻、期望差異(表3)。

表3 主軸編碼形成的主范疇

4.3 選擇式編碼

選擇性編碼是從主范疇中進(jìn)一步挖掘“核心范疇”,分析核心范疇與主范疇及其他范疇的聯(lián)結(jié)關(guān)系,并以“故事線”形式描繪行為現(xiàn)象和脈絡(luò)條件,完成“故事線”后實(shí)際上也就發(fā)展出新的實(shí)質(zhì)理論框架。本研究確定“低情感值影響因素”這一核心范疇,圍繞核心范疇的“故事線”可概括為:氣候不佳、身心健康、景區(qū)受損、游覽限制、交通受阻、期望差異6個(gè)主范疇對(duì)低情感值存在顯著影響。

圖6 氣候低情感值影響因素模型

一般而論，氣候條件不佳是內(nèi)驅(qū)因素,它直接決定了游客對(duì)氣候情感呈低值狀態(tài);身心健康、景區(qū)受損、游覽限制、交通受阻、期望差異則調(diào)節(jié)著氣候—情感直接的聯(lián)結(jié)關(guān)系。以此“故事線”為基礎(chǔ),構(gòu)建氣候低情感值影響因素模型(圖6)。經(jīng)過對(duì)留存的文本做飽和度檢驗(yàn),沒有產(chǎn)生新的范疇,說明已達(dá)到理論飽和狀態(tài)。

氣候不佳主要是指氣溫、風(fēng)速、空氣濕度、日照等氣候條件不適宜,或冰雹、干旱等氣候異常情況多發(fā)。身心健康則主要表現(xiàn)為因天氣和氣候因素導(dǎo)致的皮膚曬傷干裂、高原反應(yīng)、咳嗽發(fā)燒、恐懼焦慮等身體不適或精神上的傷害。景區(qū)受損體現(xiàn)在旅游吸引物因酸雨腐蝕、暴雨沖刷、風(fēng)化等惡劣氣候條件被受到損害。戶外活動(dòng)受限、物品攜帶不便、計(jì)劃被迫變更、視覺阻礙等構(gòu)成了游覽限制。其中,視覺阻礙主要是指游客厭惡大霧、陰雨等因素破壞視覺欣賞體驗(yàn),這對(duì)自然風(fēng)景型景區(qū)游覽活動(dòng)影響最為明顯[9]。交通受阻則表現(xiàn)為去程阻礙、行中阻滯、回程滯留三個(gè)方面。期望差異是指游客對(duì)目的地氣候適宜性期望過高或目的地與客源地的氣候差異過大。期望—不一致模型認(rèn)為,當(dāng)產(chǎn)品或服務(wù)表現(xiàn)沒有達(dá)到期望時(shí),消費(fèi)者將會(huì)感到不滿意[40]。因此,若目的地氣候條件沒有達(dá)到游客的預(yù)期理想狀態(tài),游客將對(duì)氣候條件產(chǎn)生不滿情緒。

5 結(jié)論與討論

5.1 結(jié)論

主要是:①游客對(duì)干旱區(qū)景區(qū)氣候條件感知的總體情感值為0.757,屬于“好”級(jí)。情感值隨時(shí)間推移呈下降趨勢(shì),降幅為2.46%。隨著季度更替,表現(xiàn)出穩(wěn)步上升型、先升后降型、降—升—降型三種升降模式,各模式有較低的第一季度值,較高的第二、三季度值這個(gè)共同特征。依據(jù)景區(qū)情感均值與升降變化可將景區(qū)分為低值下降型、低值上升型、高值上升型、高值下降型四類。②在空間分布方面,低情感值區(qū)域位于干旱區(qū)的中部地帶,游客對(duì)干旱區(qū)氣候的最大感知是干燥,高情感值區(qū)分布在干旱區(qū)東西兩側(cè)，呈上升趨勢(shì)景區(qū)與下降趨勢(shì)景區(qū)呈交錯(cuò)分布狀態(tài),分布相對(duì)分散。③借助扎根理論對(duì)低情感值的評(píng)論進(jìn)行分析發(fā)現(xiàn),氣候不佳是內(nèi)驅(qū)因素,直接決定了游客對(duì)氣候情感呈低值狀態(tài);身心健康、景區(qū)受損、游覽限制、交通受阻、期望差異則調(diào)節(jié)著氣候—情感直接的聯(lián)結(jié)關(guān)系。

5.2 討論

主要是:①方法運(yùn)用方面,本文運(yùn)用Python編程調(diào)用Boson平臺(tái)上的ANN方法測(cè)度氣候情感體驗(yàn),未來研究仍需進(jìn)一步夯實(shí)理論基礎(chǔ),甚至還可將此平臺(tái)的研究與基于百度AI、騰訊文智等其他類似的人工智能平臺(tái)的研究進(jìn)行對(duì)比分析,以豐富和改進(jìn)旅游情感研究的方法體系。②數(shù)據(jù)收集方面,數(shù)據(jù)篩選采用人工判讀,時(shí)間效率較低,可能會(huì)出現(xiàn)對(duì)干擾性評(píng)論處理不佳的情況。未來如結(jié)合機(jī)器學(xué)習(xí)對(duì)噪聲同步處理[41],可完善評(píng)價(jià)結(jié)果的科學(xué)性。此外,研究數(shù)據(jù)僅包括文本內(nèi)容,如能通過旅游網(wǎng)站、手機(jī)旅游APP等渠道獲取圖片、語(yǔ)音、視頻等其他類型的多源數(shù)據(jù),有可能進(jìn)一步增加研究的全面性[42]。③結(jié)果分析方面,由于本研究?jī)H收集到近7年的有效數(shù)據(jù),使用的數(shù)據(jù)歷時(shí)較短,不利于全面準(zhǔn)確總結(jié)相關(guān)特征和演化規(guī)律。后續(xù)研究需延長(zhǎng)時(shí)間維度和拓寬空間維度,如將濕潤(rùn)區(qū)與干旱區(qū)進(jìn)行對(duì)比,有助于歸納出更為普遍的特征和規(guī)律。