体验式旅游产品满意度研究

汪淑娟 吴春妮 薛明月

摘 要：体验式旅游是一种预先设计并组织的、游客应需要主动投入时间和精力参与的，对环境因素影响小、附加值较高的旅游方式，游客通过与旅游产品间的互动，获得良好的旅游服务体验，实现社会自我价值。本文通过旅游产品创新转型对游客体验感影响的研究，以芜湖旅游产品为例，采用问卷调查的方式，分析游客对体验式旅游产品的态度，对体验型旅游产品适应时代及消费者的心理活动等相关研究提供基础数据和理论依据。

关键词：旅游业；创新转型；游客体验

中图分类号：F592.7 文献标识码：A

基金项目：2020年度高等学校省级质量工程项目“旅游产品创新转型对游客体验感影响的研究”（S202013617016）。

一、国内旅游景区发展现状

改革开放以来，我国旅游业发展迅速，1978年我国的国际游客量是71.6万人次，旅游外汇收入为2.63亿美元，到2019年入境游客量达到14 531万人次，国际旅游收入1 313亿美元，2019年我国旅游总收入约为6.63万亿院，占第三产业增加值的12.41%，我国旅游业具有一定的国际竞争优势。与此同时，我国旅游消费及国内游游客量也在不断攀升（图1）[1]。

旅游景区是我国旅游业发展的基础、主体。大多数旅游相关企业都是通过旅行社招徕游客去景区观光，极少数是为了某个特定的酒店或是某个独特的小吃而来到旅游目的地，绝大多数游客是为了看知名的景区才选择来到这个国家城市，可见我国旅游景区在城市发展过程中处在重要的战略地位。

我国旅游景区可以分为以名山大川、湖泊海洋为代表的自然类旅游景区，以历史发展过程中留下的遗迹、遗址为代表的人文类旅游景区，以人类科技创造为代表的主题公园类旅游景区以及社会类的旅游景区，其和传统旅游业相比还是有一定区别的，是传统旅游的再发展，如科教旅游、乡村旅游、工业旅游以及军事旅游景区等。

目前，国内旅游景区发展至今，传统旅游业已经对景区的游客不再具有较强的吸引力。因此，为了满足越来越倾向于体验旅游的游客需求，国内出现了各种类型旅游模式，即特种旅游模式。特种旅游是指为满足旅游者某方面的特殊兴趣与需要，定向开发组织的一种特色专题旅游活动。其通常也被称为“专题旅游”“专项旅游”和“特色旅游”等。目前，国内比较常见的特种旅游模式主要包括避暑游、冰雪游、低空旅游、亲子游等特种旅游模式[2]。

二、芜湖旅游产品现状

近年来，体验式度假旅游在全国范围内的发展趋势，促进了芜湖旅游业的发展，也加快了观光旅游产品向体验式旅游产品的转变。休闲产品比重增加，规模与结构开始呈现多元化趋势。从旅游消费结构方面，观光游览的城镇游客比例由45%变为当前的28%，度假、休闲和娱乐旅游项目由19.7%变为当前的24.4%[3]。

芜湖市传统旅游资源类型丰富，涵盖3大景系、7个景类和34种景型，具备观光度假、休闲生态、文化宗教等多种类型，但由于强度效应较弱，开发深度不够，景区配置较分散等原因，旅游景点总体品位较低，基本上不具备吸引广域性游客的引力[4]。

三、数据采集以及处理

（一）数据采集

本文选取芜湖市4A级景区马仁奇峰和丫山花海石林为例，利用网络技术和八爪鱼软件工具在马蜂窝、携程和飞猪等网络平台上收集关于这两个旅游景点的评论数据。最终，笔者采集到关于马仁奇峰风景区的评论数据6 067条，丫山花海石林风景区的评论数据4 354条。

（二）数据预处理

笔者对搜集到的数据进行筛选，因为采集到的数据可能包含一些无效的信息，例如，特殊符号和网页链接等，删除与课题不相关的数据。然后对剩下的景区评论数据进行提取整合出不同的特征，包括关键词比重、正负面评价的百分比以及情感分析，最后根据有效信息进行分析，研究其最终结果。

（三）数据分析

笔者在各大旅游服务站点中收集到的信息将近1万多条，对收集到的信息进行各角度的分类。根据数据，从客流、景区收入、游客评价高频词以及词性等方面分析游客的情感倾向，并为后续的研究提供数据分析。

1.基于客流量及景区收入的游客情感倾向分析

针对这两个景区，本文选取2019年的数据进行比对。丫山花海石林一年游客接待量在4萬人次左右，年营业收入约587万元，而马仁奇峰的游客接待量在60万人次左右，营业收入约8 000万元。后者与前者的游客量以及营业收入相比具有一定的优势。由此可见，游客对马仁奇峰的喜爱度和参观旅游度都要高于丫山花海石林。

2.针对关键词对两个景点评价分析

笔者利用电脑技术筛选参观者的数据，删除重复及无效的数据。对剩下的数据进行分词方法处理，根据词性的不同（如形容词、动词、名词）提取出在两个景点的评论中的关键词，并统计两个景点排名前10位的词语，详情如表1、表2和表3所示。对评论进行不同词性的词语分析可以得到游客在景区中的感知和行为，进而分析游客的情感倾向[5-6]。

3.针对情感倾向对两个景区评价分析

笔者对收集到的数据进行情感类别上的分类，如积极评论、中性评论和消极评论。并利用计算机技术对其进行分析，产生的概率结果如表4所示。