霧霾背景下上海市入境游客關注點研究
——基于BP神經網絡

單永恒，高廣闊

（上海理工大學管理學院，上海200093）

近年來，我國境內由于環境污染造成的霧霾天氣頻頻發生，霧霾天氣攜帶大量有害物質，對生態系統、國民經濟[1]、人造環境、社會情緒[2]、人體健康[3]等方面產生嚴重危害。《2013年中國環境狀況公報》顯示，2013年之前，全國霧霾平均天數在每一年都在增長，在2013年時已經達到了35.9天[4]。霧霾已經在方方面面影響人們的生活，而其中對入境旅游發展狀況的影響也逐漸受到各界關注。

中國的對外開放政策使得入境旅游市場在中國經濟中所占比重逐年增加，因此，對入境旅游市場的分析會直接關系到中國入境旅游政策的制定與實施。國外學者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、生態環境、文化以及傳統建筑等因素[5]。國內學者程勵（2015）等基于旅游目的地選擇理論，使用偏最小二乘法結構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，得出霧霾已對城市居民的旅游目的地選擇傾向產生顯著負面影響[6]。高廣闊（2016）等基于京津冀地區面板數據，采用混合模型，分析了霧霾天氣等因素對入境旅游的影響，發現地區旅游資源豐富程度與空氣狀況會顯著影響到入境游客量的變化[7]。以上研究雖然對入境旅游的影響因素進行了分析，但選取角度均為客觀角度，未考慮入境游客對于旅游目的地的主要關注點，而每個游客對于目的地的偏好是不同的，因此，如何選取數據來體現入境游客對于各因素的偏好是尤為困難的。

隨著近年來網絡信息技術的發展，網絡搜索數據逐漸被國內外研究者重視。國外學者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的關鍵詞的搜索熱度變化情況，建立了流感監測模型，該模型能提前預測流感暴發趨勢[8]。研究表明，網絡搜索中某些數據可以一定程度上代表某一無法具象化的因素，因此其在經濟預測[9]、傳播學[10]、推薦系統[11]等方面的應用也十分廣泛。例如，DavidsonA·P（2004）獲取了以臺灣為旅游目的地的網站的網絡流量情況，經過與現實世界中臺灣游客量情況對比后發現網絡的信息流會對游客的旅游行為產生引導作用[12]。網絡搜索數據在旅游研究中的使用提高了對于游客量預測的準確程度，但對于數據信息的挖掘仍不夠徹底。鑒于此類情況，本文將采用網絡搜索數據具象化入境游客對于目的地各種條件的偏好情況建立BP神經網絡模型，以研究霧霾背景下上海市入境游客量的變化情況，以預測準確度的改變為衡量標準，進一步說明地區的各種條件對入境游客量的影響，為相關部門提供政策建議。

一、數據說明與研究方法

（一）入境游客量（Y）

考慮到入境外國游客對中國旅游業發展的主要貢獻，本文主要截取中國入境旅游統計中入境外國游客量的數據。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游客量數據[13]。

（二）谷歌趨勢與關鍵詞選取（X1～X7）

谷歌搜索引擎占全球66.7%的市場份額，2016年谷歌的年搜索次數已經達到了2萬億次，即每秒全球有約63 000人在使用谷歌搜索[14]，而且谷歌近年來推出的谷歌趨勢服務可以報告某一搜索關鍵詞從2004年至今的每周或每月搜索的相對詞頻以及其變化趨勢[15]。由于該指標的計算方式為關鍵詞與谷歌搜索總量的比值標準化，因此，可以排除搜索引擎使用人數的增加所導致關鍵詞搜索量劇烈變動。

網絡數據中用戶搜索關鍵詞的選取是體現游客主觀偏好的關鍵。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、目的地標志性景點知名度、中國霧霾情況、目的地飲食、目的地交通、目的地簽證、目的地天氣這幾個代表性因素選取相關搜索次數較多的關鍵詞，見表1。

（三）研究思路

表1 關注點的關鍵詞

綜合考慮上海市入境外國游客數量以及入境游客主要考慮的因素，由“谷歌趨勢”中提取可具象化各相關因素的關鍵詞搜索趨勢數據，以上海市入境游客量數據作為預測量，采用BP神經網絡構建入境外國游客量的預測模型，以2013年10月至2016年2月的數據作為訓練數據，對2016年3月至2016年10月的入境游客量進行預測，建模過程中改變輸入元素的數量，以每個模型的預測精度為標準建立衡量體系，直觀地給出外國游客的偏好變化對入境游客量的影響，并進一步分析霧霾背景下各條件的變化對入境外國游客的旅游決定產生的作用

二、實證分析

（一）模型建立

對于函數的估計方面，神經網絡具有可以以任意精度映射復雜的非線性關系這一優點。本文將使用BP神經網絡算法來建立預測模型，所建立的BP神經網絡模型采用單隱層結構，隱藏層的節點數目為10，學習速率為0.000 1，并且在學習過程中其學習率是遞減的，主要原因為Zinkevich（2003）在文章中指出遞減的學習率可以保證使用隨機梯度下降策略是其函數最低收斂于局部最優值[16]。模型采用2013年10月至2016年2月的數據作為模型訓練數據，將2016年2月至2016年10月的數據作為模型的測試集使用。主要模型與模型所使用的關鍵詞如下表（3）所示。

（二）評價指標

本文選取預測精度D以及預測數據可信度Z作為衡量標準，來反映四個模型的結果，其計算公式為：

其中預測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。而預測數據可信度Z越大說明預測結果落在可接受范圍內的數量越多。

（三）結果分析

表3為各模型的預測精度，為方便分析，可將8個模型的預測精確度可分為四個檔次，其中，預測精度大于92.75%的為預測準確的第一檔次，第二檔次為預測精度處于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 模型預測精度比較

圖1為將模型按照檔次劃分后的預測結果與真實值的趨勢圖，從中可以發現，模型（1）的預測結果除個別點之外已經可以較為準確地預測出入境游客量的數量變化，其預測精度也達到了93.5%。雖然模型（2）的預測精度與模型（1）相差無幾，但從趨勢圖中可以看出模型（2）的預測結果并不理想，說明本文所選擇的關鍵詞可以全面反映入境外國游客在選擇旅游目的地時所關心的方面，而模型（2）的趨勢圖也說明了關鍵詞Shanghai的剔除對模型預測精度基本沒有影響；沒有模型的預測精度位于第二檔，因此不做分析；對于模型（3）、（4）、（7）、（8），其預測精度均在 91%左右，趨勢圖中也可以發現，這些模型的預測結果趨勢與真實值是一致的，但其結果均小于真實值；第四檔中模型（5）、（6）的預測精度是最低的，由

圖1 模型結果

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%的預測精度，但其預測結果已經不能讓人信服了。

三、結論與建議

入境旅游市場一定程度上反映了一個國家第三產業的發展狀況，對其進行科學的分析可以為國家入境旅游的政策制定提供參考依據。本文選取2013年10月至2016年10月的上海市入境外國游客量，以入境游客的主觀偏好為影響因素，構建了包含不同自變量的BP神經網絡模型，以每個模型的預測精度不同作為衡量標準，以此說明在霧霾背景下上海市應加強入境游客關注最多的方面來進行入境旅游市場的建設。研究主要得出以下結論。

本文所選擇的關鍵詞可以全面反映入境外國游客在選擇旅游目的地是所關注的重點，包含所有被選擇變量的模型（1）的預測精度達到了93.5%。就上海市的入境旅游情況來看，上海市的入境外國游客最關心的是該地區的航班情況與飲食情況，模型中這兩個關鍵詞的剔除已經使得模型的結果不能令人信服，因此，地區的航班情況與飲食情況最能影響到潛在外國游客對于旅游決策的制定。而主要景點、空氣污染、護照情況與天氣情況的受關注程度僅次于航班與飲食，且這幾個關注點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，其余三點都會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）的預測精度說明了在入境外國游客選擇目的地時，地理位置對外國游客的旅游決策是不會產生明顯影響的。

實驗結果表明，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游客在選擇旅游目的地時的首要考慮因素，而在其余因素中，霧霾的影響程度已經與簽證情況基本一致，達到了不容忽視的地步了。針對以上情況，本文給出如下建議。

增加航班，提高交通便利程度。由于入境外國游客的出行方式主要為航班，目的地空運系統的建設顯得尤為重要。加強飲食安全管理，國外的飲食習慣與國內不同，因此，一個放心的飲食條件會吸引更多的外國游客。

采取多種措施減少霧霾天氣的發生。模型結果證實，霧霾天氣對入境旅游的影響已經不容忽視了，而霧霾的治理需要從多個方面同時進行。相關部門應該出臺從各個行業、各個層面的霧霾治理方案，在減排的同時提高全社會的保護環境質量意識。

加強標志性景點宣傳力度，提高外國游客辦理入境旅游簽證的便利程度。模型結果說明旅游地區標志性景點的知名度與辦理入境旅游簽證的相關信息會顯著影響到地區的游客量。因此，地區在對旅游宣傳方面應選取地區標志性景點作為主要宣傳目標，以建立地區旅游特色，樹立旅游形象。此外，在辦理旅游簽證方面應靈活迅速。

參考文獻：

[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]中華人民共和國環境保護部．2013 年中國環境狀況公報[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，張同顥，付陽．城市居民霧霾天氣認知及其對城市旅游目的地選擇傾向的影響[J]．旅游學刊，2015，30（10）：37-47．

[7]高廣闊，馬利霞．霧霾污染對入境客流量影響的統計研究[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．網絡搜索數據與 CPI的相關性研究[J]．管理科學學報，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 計 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．