雾霾背景下上海市入境游客关注点研究——基于BP神经网络

单永恒，高广阔

（上海理工大学管理学院，上海200093）

近年来，我国境内由于环境污染造成的雾霾天气频频发生，雾霾天气携带大量有害物质，对生态系统、国民经济[1]、人造环境、社会情绪[2]、人体健康[3]等方面产生严重危害。《2013年中国环境状况公报》显示，2013年之前，全国雾霾平均天数在每一年都在增长，在2013年时已经达到了35.9天[4]。雾霾已经在方方面面影响人们的生活，而其中对入境旅游发展状况的影响也逐渐受到各界关注。

中国的对外开放政策使得入境旅游市场在中国经济中所占比重逐年增加，因此，对入境旅游市场的分析会直接关系到中国入境旅游政策的制定与实施。国外学者Laws（1995）提出了影响旅游者旅游目的地选择的因素，包含了天气、生态环境、文化以及传统建筑等因素[5]。国内学者程励（2015）等基于旅游目的地选择理论，使用偏最小二乘法结构方程模型研究城市居民在雾霾天气影响下的旅游地选择倾向，得出雾霾已对城市居民的旅游目的地选择倾向产生显著负面影响[6]。高广阔（2016）等基于京津冀地区面板数据，采用混合模型，分析了雾霾天气等因素对入境旅游的影响，发现地区旅游资源丰富程度与空气状况会显著影响到入境游客量的变化[7]。以上研究虽然对入境旅游的影响因素进行了分析，但选取角度均为客观角度，未考虑入境游客对于旅游目的地的主要关注点，而每个游客对于目的地的偏好是不同的，因此，如何选取数据来体现入境游客对于各因素的偏好是尤为困难的。

随着近年来网络信息技术的发展，网络搜索数据逐渐被国内外研究者重视。国外学者Ginsberg·J（2009）利用谷歌提供的搜索解析功能，从中提取了与流感有关的关键词的搜索热度变化情况，建立了流感监测模型，该模型能提前预测流感暴发趋势[8]。研究表明，网络搜索中某些数据可以一定程度上代表某一无法具象化的因素，因此其在经济预测[9]、传播学[10]、推荐系统[11]等方面的应用也十分广泛。例如，DavidsonA·P（2004）获取了以台湾为旅游目的地的网站的网络流量情况，经过与现实世界中台湾游客量情况对比后发现网络的信息流会对游客的旅游行为产生引导作用[12]。网络搜索数据在旅游研究中的使用提高了对于游客量预测的准确程度，但对于数据信息的挖掘仍不够彻底。鉴于此类情况，本文将采用网络搜索数据具象化入境游客对于目的地各种条件的偏好情况建立BP神经网络模型，以研究雾霾背景下上海市入境游客量的变化情况，以预测准确度的改变为衡量标准，进一步说明地区的各种条件对入境游客量的影响，为相关部门提供政策建议。

一、数据说明与研究方法

（一）入境游客量（Y）

考虑到入境外国游客对中国旅游业发展的主要贡献，本文主要截取中国入境旅游统计中入境外国游客量的数据。从上海市旅游局获取了2013年10月至2016年10月上海市每月的入境外国游客量数据[13]。

（二）谷歌趋势与关键词选取（X1～X7）

谷歌搜索引擎占全球66.7%的市场份额，2016年谷歌的年搜索次数已经达到了2万亿次，即每秒全球有约63 000人在使用谷歌搜索[14]，而且谷歌近年来推出的谷歌趋势服务可以报告某一搜索关键词从2004年至今的每周或每月搜索的相对词频以及其变化趋势[15]。由于该指标的计算方式为关键词与谷歌搜索总量的比值标准化，因此，可以排除搜索引擎使用人数的增加所导致关键词搜索量剧烈变动。

网络数据中用户搜索关键词的选取是体现游客主观偏好的关键。本文综合入境旅游的客观影响因素与入境游客的主观偏好，按照目的地知名度、目的地标志性景点知名度、中国雾霾情况、目的地饮食、目的地交通、目的地签证、目的地天气这几个代表性因素选取相关搜索次数较多的关键词，见表1。

（三）研究思路

表1 关注点的关键词

综合考虑上海市入境外国游客数量以及入境游客主要考虑的因素，由“谷歌趋势”中提取可具象化各相关因素的关键词搜索趋势数据，以上海市入境游客量数据作为预测量，采用BP神经网络构建入境外国游客量的预测模型，以2013年10月至2016年2月的数据作为训练数据，对2016年3月至2016年10月的入境游客量进行预测，建模过程中改变输入元素的数量，以每个模型的预测精度为标准建立衡量体系，直观地给出外国游客的偏好变化对入境游客量的影响，并进一步分析雾霾背景下各条件的变化对入境外国游客的旅游决定产生的作用

二、实证分析

（一）模型建立

对于函数的估计方面，神经网络具有可以以任意精度映射复杂的非线性关系这一优点。本文将使用BP神经网络算法来建立预测模型，所建立的BP神经网络模型采用单隐层结构，隐藏层的节点数目为10，学习速率为0.000 1，并且在学习过程中其学习率是递减的，主要原因为Zinkevich（2003）在文章中指出递减的学习率可以保证使用随机梯度下降策略是其函数最低收敛于局部最优值[16]。模型采用2013年10月至2016年2月的数据作为模型训练数据，将2016年2月至2016年10月的数据作为模型的测试集使用。主要模型与模型所使用的关键词如下表（3）所示。

（二）评价指标

本文选取预测精度D以及预测数据可信度Z作为衡量标准，来反映四个模型的结果，其计算公式为：

其中预测精度的大小可以反映模型变量所包含的信息量的大小，精度越高的模型的变量组合最优。而预测数据可信度Z越大说明预测结果落在可接受范围内的数量越多。

（三）结果分析

表3为各模型的预测精度，为方便分析，可将8个模型的预测精确度可分为四个档次，其中，预测精度大于92.75%的为预测准确的第一档次，第二档次为预测精度处于91.5%与92.75%之间的模型，第三与第四档次的取值范围分别为（90.25%，91.5%）、（89%，90.25%）。其中，模型（1）与模型（2）位第一档，没有模型位于第二档，第三档包括模型（3）、模型（4）、模型（7）、模型（8），而模型（5）与模型（6）则位于第四档。

表2 模型变量

表3 模型预测精度比较

图1为将模型按照档次划分后的预测结果与真实值的趋势图，从中可以发现，模型（1）的预测结果除个别点之外已经可以较为准确地预测出入境游客量的数量变化，其预测精度也达到了93.5%。虽然模型（2）的预测精度与模型（1）相差无几，但从趋势图中可以看出模型（2）的预测结果并不理想，说明本文所选择的关键词可以全面反映入境外国游客在选择旅游目的地时所关心的方面，而模型（2）的趋势图也说明了关键词Shanghai的剔除对模型预测精度基本没有影响；没有模型的预测精度位于第二档，因此不做分析；对于模型（3）、（4）、（7）、（8），其预测精度均在 91%左右，趋势图中也可以发现，这些模型的预测结果趋势与真实值是一致的，但其结果均小于真实值；第四档中模型（5）、（6）的预测精度是最低的，由

图1 模型结果

图1d也可以看出在剔除了Shanghai Chinese restaurant与Flight to Shanghai之后的模型虽然有89%的预测精度，但其预测结果已经不能让人信服了。

三、结论与建议

入境旅游市场一定程度上反映了一个国家第三产业的发展状况，对其进行科学的分析可以为国家入境旅游的政策制定提供参考依据。本文选取2013年10月至2016年10月的上海市入境外国游客量，以入境游客的主观偏好为影响因素，构建了包含不同自变量的BP神经网络模型，以每个模型的预测精度不同作为衡量标准，以此说明在雾霾背景下上海市应加强入境游客关注最多的方面来进行入境旅游市场的建设。研究主要得出以下结论。

本文所选择的关键词可以全面反映入境外国游客在选择旅游目的地是所关注的重点，包含所有被选择变量的模型（1）的预测精度达到了93.5%。就上海市的入境旅游情况来看，上海市的入境外国游客最关心的是该地区的航班情况与饮食情况，模型中这两个关键词的剔除已经使得模型的结果不能令人信服，因此，地区的航班情况与饮食情况最能影响到潜在外国游客对于旅游决策的制定。而主要景点、空气污染、护照情况与天气情况的受关注程度仅次于航班与饮食，且这几个关注点的重要程度十分一致，排除天气情况这一不可人为控制的因素，其余三点都会一定程度上影响上海市入境游客量的变化。第一档中模型（2）的预测精度说明了在入境外国游客选择目的地时，地理位置对外国游客的旅游决策是不会产生明显影响的。

实验结果表明，在雾霾天气这一大背景下，航班情况与饮食情况仍然是外国游客在选择旅游目的地时的首要考虑因素，而在其余因素中，雾霾的影响程度已经与签证情况基本一致，达到了不容忽视的地步了。针对以上情况，本文给出如下建议。

增加航班，提高交通便利程度。由于入境外国游客的出行方式主要为航班，目的地空运系统的建设显得尤为重要。加强饮食安全管理，国外的饮食习惯与国内不同，因此，一个放心的饮食条件会吸引更多的外国游客。

采取多种措施减少雾霾天气的发生。模型结果证实，雾霾天气对入境旅游的影响已经不容忽视了，而雾霾的治理需要从多个方面同时进行。相关部门应该出台从各个行业、各个层面的雾霾治理方案，在减排的同时提高全社会的保护环境质量意识。

加强标志性景点宣传力度，提高外国游客办理入境旅游签证的便利程度。模型结果说明旅游地区标志性景点的知名度与办理入境旅游签证的相关信息会显著影响到地区的游客量。因此，地区在对旅游宣传方面应选取地区标志性景点作为主要宣传目标，以建立地区旅游特色，树立旅游形象。此外，在办理旅游签证方面应灵活迅速。

参考文献：

[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]中华人民共和国环境保护部．2013 年中国环境状况公报[EB/OL]．http：//www．zhb．gov．cn/hjzl/zghjzkgb/lnzghjzkgb/

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

[6]程励，张同颢，付阳．城市居民雾霾天气认知及其对城市旅游目的地选择倾向的影响[J]．旅游学刊，2015，30（10）：37-47．

[7]高广阔，马利霞．雾霾污染对入境客流量影响的统计研究[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]张崇，吕本富，彭赓，等．网络搜索数据与 CPI的相关性研究[J]．管理科学学报，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 统 计 资 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．