旅游目的地季节性测度指标体系的构建

黄和平，冯学钢

（1.华东师范大学 商学院，上海 200241；2.安徽工商职业学院，合肥 230022）

0 引言

旅游季节性是游客出游决策和出游行为在时间维度上的短暂不平衡[1]，而游客出游行为的不平衡与其对目的地的感知有密切关系。在旅游需求既定条件下，作为旅游行为的实施者，游客出游决策会受到其对目的地感知的直接影响，正是对旅游目的地感知的时空差异造成了其旅游行为上的时空不平衡性，因此，游客感知是旅游季节性产生的最直接也是最重要原因。

国内外学者的研究多集中在空间维度，时间维度鲜有提及，对游客感知各影响因素的相对重要性，尤其关于其在时间维度上的变化未做深入探讨。实际上，对于同一目的地而言，游客感知在不同时间点上是不同的，从而形成旅游产业季节性属性；而在同一时间点上，由于在气候舒适度、资源禀赋以及旅游配套服务上的区域差异，游客感知也会因地而异，且差别巨大[2-3]，导致游客流向的区域差异。

本文利用构建的指标体系，采用熵权AHP方法，重点分析了气候舒适度、资源感知、安全、形象等因素在不同时间截面上的变化，以此来刻画旅游季节性强度，为准确把握游客出游动机，预测旅游季节性波动，指导反季旅游的开发提供依据。

1 旅游季节性测度指标体系框架构建

本指标体系可反映游客对旅游目的地感知的“季节”性变化。在借鉴国内外游客感知研究中业已形成的常用指标基础上，将指标体系分为四个二级指标模块：B1旅游气候舒适度指标、B2旅游资源感知指标、B3游客需求感知指标、B4目的地形象与品牌认知指标。

运用AHP法和专家意见法，将最初形成的60个指标分别与来自城市旅游管理部门、高等院校以及旅游企业的20位专家学者，经过反复沟通和调整，最终形成多方一致认可15个能够准确反映游客感知视角下的旅游季节性强度的三级指标（如表1所示）。

表1 旅游季节性测度评价指标体系

需要注意的是，本指标体系重点强调的是游客感知影响要素在时间维度上的变化，但不同指标在时间维度上的变化程度是不一样的，因此本研究采用熵权信息法，对1-12月份变异强度指标进行权重修正,从而更加客观的反映季节性强度在一年中的变化。

此外，本文仅关注各要素指标在短期内的周期性变化，对中长期趋势不予考虑。不可否认，中长期趋势对旅游季节性影响也是不容忽视的。例如，席建超（2010），Wall.G（1998）等人的研究表明，全球气候变暖可能会导致诸如滑雪胜地旺季缩短甚至消失[4],但也会延长某些夏季旅游旺季时间[5]。

2 评价指标体系权重确定与应用

判断矩阵元素的值反映了人们对各元素相对重要性的认识，一般采用1—9及其倒数的标度方法。

表2 因子相对重要性标定系列表

具体操作方法如下：

每次取两个因素Ci和Cj比较其对目标因素的影响，并用aij表示，全部比较的结果用成对比较矩阵表示，即：

2.1 二级指标

本指标体系将旅游季节性（A）的指标体系分为四个模块：B1旅游气候舒适度指标；B2旅游资源感知指标；B3游客需求感知指标；B4目的地形象与品牌认知指标。

2.2 确定权重

在时间维度评价过程中，采用熵权修正AHP法获取评价因子权重的数值，即依照层次分析法的标定系列（表2），通过专家打分确定B、C层（二、三级）指标的判断矩阵，，用Matlab（R2012b）软件计算判断矩阵A的最大特征根λmax，及其对应的特征向量X，此特征向量就是各评价因素的重要性排序，也即是权系数的分配。然后根据二级指标的权系数确定三级，得到三级指标（C层）在衡量一级指标（A）中的权重系数。

2.3 指标的一致化与无量纲处理

气候指标采用区间型转化公式，极大极小型采用倒数形式将其进行一致化处理。然后运用如下公式进行无量纲转化：Pi=1 000×Di/Ri，式中 Pi为某指标转变后的无量纲指标，Di为该指标转换前的指标值，Ri为该指标1-12月的均值。对于逆向单项指标（即该指标取值越小越好），则采用公式：Pi=1 000×Ri/Di，各字母含义同上。

2.4 旅游季节性强度综合评价

按年度计算反季旅游市场潜力评价体系总分值，只需把各指标的权重值和年度无量纲得分值代入数学模型E=ΣQiPi，其中E为总分值，Qi为第i个指标的权重，Pi为评价指标的得分值，n为评价指标的数目。

2.5 一致性检验

在AHP理论中,在计算单准则下排序权向量时,由于客观事物的复杂性和判断者的主观性会造成判断矩阵的逻辑不一致，因而须进行一致性检验.本文指标体系中A—B层的一致性指标C.I.=(λmax-n)/(n-1)=0.009133(这里λmax是指A—B层指标构成判断矩阵的最大特征根,n是其矩阵阶数,n=4),平均随机一致性指标R.I.=0.90,(在平均随机一致性指标表中查取),从而得到随机一致性比例C.R.=C.I./R.I.=0.0101＜0.1,可见本文判断矩阵的一致性是可以接受的,结果的可靠程度是令人满意的。在对B—C层的一致性检验中所得到的一致性比例也符合要求。

2.6 熵权修正步骤

其中rij为第j个指标下第i个月份的评价值。求各指标值权重的过程为：

表3 四城市时间维度权重系数与加权结果值

(1)计算第j个指标下第i个城市的指标值的比重 pij：

(4)确定指标的综合权数βj：

假设评估者根据自己的目的和要求将指标重要性的权重确定为αj,j=1,2,…,n，结合指标的熵权 wj就可以得到指标j的综合权数：

根据上述计算方法获得的15个指标的A-B级、B-C级熵权ui，归一化AHP权重wi以及C-A级权重λi分别如表3所示：

2.7 目的地季节性测度实证研究

对2011年1-12月各年度评价进行对比，找出四个旅游季节性指标模块的发展轨迹。如表-4和Fig-1：a/b/c/d所示：

表4 1-12月四城市旅游季节性指数综合评价表

上述分析表明，北京、上海、重庆、海口的旅游季节性指数在1-12月的季节性周期中具有较大起伏，其中占有最大权重的气候指数在各月的波动最为强烈，资源、需求感知、形象感知也有一定波动，但幅度较小，旅游淡旺季在各地出现的月份与气候舒适度有显著的正相关关系，从而表现出巨大差异，这也为错时开发旅游产品，从而克服季节性提供了空间。为了更清楚的表明各地季节性的时间差异，将四城市的统计结果进行汇总，如图1所示:

图1 四城市旅游季节性统计值汇总图

3 结语

本文从时间维度来识别游客感知影响因素，正是这些影响因素在时间维度的变化才导致旅游季节性的产生，所构建的旅游季节性测度评价指标体系，可用于反季旅游开发潜力的系统评估，有助于反季旅游的配套政策与发展措施的制定。在15个三级指标选取时，尽可能以客观数据基础，指标量化尽可能减少主观判断因素，提高了评价体系的可操作性与可靠性。

在实证分析中，利用北京、上海、重庆、海口四城市的月度时间序列数据使用熵权修正AHP进行实证分析。AHP技术识别问题的系统性强,可靠性相对较高，最大程度增加权重信息量，提高可信度，并且实证结果与四城市旅游季节性实际显著吻合，可见本指标体系是一种具有实用价值的有效评价方法。受数据采集和研究现状的限制，本文还存在诸如小规模问卷调查数据信息量不足、指标设置的不合理性问题，需在今后的应用研究中进行调整和修正。

需要强调的是，从中长期来说，旅游季节性强度不是固定不变的，本文所测旅游季节性强度仅为“短期效应”，并未考虑长期趋势，任何变量的中长期演变，如技术、经济、社会和制度等，都可对其产生影响[6]。

[1]Butler R W.Seasonality In Tourism:Issues and Implications.In T.Baum,&S.Lundtorp(Eds.).Seasonality In Tourism[M].Oxford:Pergamon,2001.

[2]吴小根.旅游目的地游客感知形象形成机理与实证——以江苏省南通市为例[J].地理研究,2011,(9).

[3]Phelps A.Holiday Destination Image-the Problems of Assessment:An Example Developed in Menorca[J].Tourism Management.1986,(3).

[4]Wall G.Implications of Global Climate Change for Tourism and Recreation In Wetland Areas[J].Climate Change,1998,40(2).

[5]席建超,国际旅游科学研究新热点:全球气候变化对旅游业影响研究[J].旅游学刊,2010,(5).

[6]Parry M L,Canziani O F,Palutik J P.Climate Change2007:Impacts.Adaption and Vulnerability[M].Cambridge:Cambridge University Press,2008.