基于微博大數據的游客情感與空氣質量關系研究
——以西安市為例

張思豆， 李君軼

(陜西師范大學 旅游與環(huán)境學院， 陜西 西安 710119)

?

基于微博大數據的游客情感與空氣質量關系研究
——以西安市為例

張思豆， 李君軼*

(陜西師范大學 旅游與環(huán)境學院， 陜西 西安 710119)

利用西安市國內游客發(fā)布的微博數據，采用修正的“微博情感傾向算法驗證程序”(MBEWC)計算游客的情感傾向值，對情感傾向和空氣質量進行相關分析，研究情感傾向和空氣質量的相互關系。研究發(fā)現：PM2.5、PM10、NO2、SO2、CO這5種污染物均與游客微博情感值呈現較弱的負相關；在所有污染物指標中，NO2對游客情感的影響程度最大，具體表現為每多排放1 000 μg NO2，游客微博情感值下降21分；其次，在煙塵污染物PM2.5和PM10中， PM2.5粒徑很小，對游客情感的影響比PM10嚴重；而對于氣體污染物， NO2和SO2對游客情感的影響程度遠大于CO?？諝庵卸喾N污染物同時存在對游客情感的影響要明顯大于某一污染物單獨存在時的影響，具體表現為PM2.5和SO2同時存在對游客情感的影響程度大于SO2單獨存在對游客情感值的影響。

微博； 空氣質量；游客；情感

隨著工業(yè)化、城市化進程的發(fā)展，人們的生活質量顯著提高。與此同時，不斷排放的污染物致使環(huán)境惡化，北京、上海、西安、石家莊、哈爾濱等城市的空氣質量持續(xù)下降，就連?？诘瘸鞘幸渤霈F了霧霾天氣[1]，空氣中排放的PM2.5(細微顆粒物含量)、PM10(可吸入顆粒物含量)嚴重超標[2],這引起了眾多學者、主流媒體的高度關注。Vivian等[3]通過對402 184個死亡案例的死亡原因分析，發(fā)現循環(huán)系統和呼吸系統疾病占總數的27.5%和19.5%，并指出特別敏感顆粒物為PM10、PM2.5、NO2和SO2。Wang等[4]利用空間分析技術研究了室外空氣污染和慢性阻塞性肺病住院之間的聯系，結果表明PM10每上升10 μg/m3，濟南市肺病的住院率相應上升7%。王倩[5]研究了濟南市空氣污染對健康的影響，發(fā)現SO2日濃度每增長10%，對濟南市呼吸系統疾病門診患者造成的損失為705萬元。在旅游過程中，隨著旅游刺激物的不斷變化，游客情感會受到多重因素影響。徐子琳和嚴偉[6]指出在影響游客情感的主要因素中，氣候環(huán)境起著重要作用。由于人有“生物自衛(wèi)性”，人與自然界的生物群具有十分緊密的聯系，良好的環(huán)境能夠幫助我們減少焦慮以及絕望的情緒，使我們的心情保持良好的狀態(tài)[7]。Welsch[8]最早以空氣中NO2、SO2等污染物的含量來衡量空氣質量，他通過分析54個國家的截面數據發(fā)現導致國家間幸福水平差異的重要原因之一便是空氣污染。德國慕尼黑大學流行病學調查發(fā)現，霧霾天氣空氣污濁，容易刺激大腦視覺中樞，從而產生悲觀情緒，出現頭昏頭痛者占61%，失眠多夢的占46%，疲乏無力的占42%，處于抑郁情緒的占27%，當PM2.5濃度極高時，人們容易出現情緒低落、煩躁不安、疲憊抑郁等負面情緒[9]。程勵等[10]研究發(fā)現人們對霧霾天氣消極影響的認知度較高，并且霧霾天氣已經顯著影響城市居民對旅游目的地的選擇傾向。游客情感是旅游背景下情感研究的核心任務之一[11]。情感分析就是對信息進行有效的分析和挖掘，識別情感傾向，了解究竟是高興還是悲傷[9]。Medhat等[12]認為情感分析(sentiment analysis，SA)是文本挖掘領域的一個研究要點，是對文本的意見、情感和主觀感受的計算處理。就旅游而言，游客情感不僅構成了旅游者重要的旅游經歷，同時也對他們的旅游動機、滿意度、行為意圖和人際互動等產生重要影響[11]。旅游作為一種追求愉悅的活動[13]，游客在此過程中表現出的多為積極情感，但隨著旅游環(huán)境的多變性和不確定性，時而會出現消極情感。李靜等[14]提出旅游者在旅行期間擔心霧霾會危害健康，破壞心情，妨礙他們拍出滿意的照片，進而降低了旅游滿意度，不利于目的地忠誠度的建立。

微博作為一種社交平臺，游客可以隨時記錄旅途的心情。而這些微博信息中包含著不同程度的情感傾向，通過文本挖掘進行情感分析對于輿情控制和市場營銷都有重要意義[15]。Tumasjan等[16]認為借助微博內容來了解社會輿情具有成本低、速度快、頻率高、實時性、原創(chuàng)性以及主題多樣性等特點和優(yōu)勢。隨著近年來我國空氣質量的不斷惡化，國內外學者對于空氣質量的研究，已從原本只關注霧霾對人體健康的危害轉向了霧霾對游客感知以及旅游滿意度和忠誠度的研究，但是從大數據視角來探討空氣質量對游客情感影響的研究仍屬空白。反觀現有研究方法，多沿襲傳統調研方法(如調查問卷、訪談法)，由于情感具有動態(tài)性的特征，而微博數據能夠較好反映游客當時的情感表達。因此，本文采用西安市2014年游客微博數據和空氣質量數據，研究空氣污染和游客情感關系，對目的地的環(huán)境治理提供科學依據。

1　研究假設

從現有城市空氣質量指數(air quality index,AQI)及PM2.5的研究來看，AQI的上升以及PM2.5值的增加對人體健康造成危害。但是,針對真實客觀的游客微博數據，是否也存在污染物排量的增加會降低人們情感值的關系，目前沒有確切研究。本文選取西安市2014年的游客微博數據與空氣質量數據，通過相關性分析試圖驗證這一規(guī)律，因此提出第1個研究假設(H1)。

H1： PM2.5、PM10、CO、SO2、NO2均與游客微博情感值呈顯著負相關。

黃永明和何凌云[17]提出，在中國每平方公里的地域內每多排放1 kg煙塵，人們的主觀幸福感會下降0.012分；而每多排放1 kg SO2，人們主觀幸福感下降0.002分?？梢?空氣中煙塵含量嚴重影響人們的情感，因此提出第2個研究假設(H2)。

H2：PM2.5和PM10是影響游客微博情感值的最顯著指標。

韓雪[18]通過對石家莊的研究發(fā)現,PM2.5與PM10的濃度與肺炎住院人數呈正相關，其中PM2.5與肺炎住院的關聯性強于PM10。董鳳鳴等[19]對北京市海淀區(qū)循環(huán)系統疾病死亡人數進行了研究，發(fā)現死亡人數可能與顆粒物污染濃度的升高有關，同時大氣中PM2.5的濃度對人體健康帶來的危害比PM10更大。綜上可知，PM2.5比PM10對人體危害大，因為粒徑10 μm以上的顆粒物會被鼻腔攔截，但是粒徑小于2.5 μm顆粒物會隨著呼吸進入上呼吸道，進入支氣管直至肺部，引起呼吸系統及心血管疾病[20]。對于游客情感而言，PM2.5與PM10的影響程度是否也存在如上規(guī)律有待研究，因此提出第3個研究假設(H3)。

H3：PM2.5比PM10對游客微博情感值的影響程度大。

CO、NO2和SO2都屬于氣體污染物。CO是無色、無臭、無味、有毒的中性氣體，難溶于水，所以我們很難察覺。SO2為無色透明氣體，有刺激性臭味，溶于水會形成亞硫酸。NO2在室溫下為有刺激性氣味的紅棕色氣體，吸入肺組織后具有強烈的刺激性和腐蝕性。由此可見，人們對于CO無法感知，但是對于SO2和NO2會有明顯不適癥狀，因此提出第4個研究假設(H4)。

H4：NO2與SO2對游客微博情感值的影響程度大于CO。

大氣中多種污染物共同存在比一種污染物單獨存在更容易并發(fā)嚴重的污染[21]。也就是說，空氣中兩種污染物疊加的危害遠比某種污染物單獨存在的危害大。由此，提出本研究第5個假設(H5)。

H5：PM2.5+SO2比SO2單獨存在對游客微博情感值影響程度大。

2　數據來源與處理

2.1西安市游客微博數據來源與篩選

本文涉及的西安市游客微博數據來自于研究團隊編寫的新浪微博數據抓取軟件，按照新浪微博提供的API接口，根據微博賬號IP注冊地為“非西安市”為篩選條件，獲取從2014年1月1日至2014年12月31日全年365天的西安游客發(fā)布的微博文本數據共1 094 161條。因網絡原因或機器故障，在10月18日、19日及20日未能抓取到當日微博數據，因本研究主要關注每日微博用戶情感與空氣質量的關系，且總體獲取微博數據周期較長，因此未抓取到的數據不足以影響本文的研究結論。按新浪微博數據格式，獲取的數據覆蓋范圍為：以西安市鐘樓為圓心，以10 km為半徑的圓形范圍，該區(qū)域基本覆蓋了西安繞城高速內所有人口密集區(qū)及商業(yè)繁華區(qū)。從新浪微博API接口抓取到的微博數據的部分字段及含義見表1。

表1　微博數據字段及含義

根據注冊地篩選出游客微博數據1 094 161條，但不能確定現有的數據信息均為游客發(fā)布，因為有大量外地用戶(注冊地為“非西安市”)為了求學或工作，長期定居西安，那么該類用戶不屬于游客群體。此外，大量微博文本內容為廣告信息，也應予以剔除。

借鑒國外學者Girardin[22]的相關研究，若用戶產生的第一條微博與最后一條微博間隔超過30 d，那么就不視為本文的研究對象或不認為其是一般意義的旅游者，需要進行剔除。因此通過編寫算法“最大時間與最小時間差大于等于30”為篩選條件，篩選出289 378條數據。

通過上述篩選條件，已經剔除了大部分居民群體，但尚不能排除仍有大部分偶爾登錄微博的常住居民，比如外來務工人員或短期促銷的店家，以及注冊地為“非西安市”的大學生群體，繼續(xù)進一步篩選。根據筆者對微博信息的經驗，通過關鍵詞“代購、元旦晚會、迎新晚會、代理、現貨、促銷、招聘、移動、聯通、淘寶、小米、本店、電信、加班、教室、天貓、京東、蘇寧、銷售、上課、特價”篩選并剔除，保留剩余251 670條微博數據。

2.2西安市空氣質量指數(AQI)數據來源

西安市空氣質量指數(AQI)及各主要污染物數據均來源于互聯網天氣后報網站(www.tianqihoubao.com)，獲取從2014年1月1日至2014年12月31日全年西安市空氣質量數據，與西安市游客微博數據的發(fā)布天數一一對應。數據共包含9項指標，分別為日期，每日AQI指數，質量等級，當天AQI排名，以及主要污染物PM2.5、PM10、CO、NO2、SO2的當日數值。

3　結果與分析

3.1游客微博情感值計算

微博情感傾向性分析就是分析說話人的態(tài)度(或稱觀點、情感)，即對文本的主觀性信息進行分析[23]。新浪微博的一條文本信息共包含140個字符，其中有表情、文字以及標點符號，不同的名詞、形容詞、副詞(如開心、快樂、失意等)，程度副詞(如很、尤其、非常、特別等)，否定詞(如不、非等)，語氣詞(如哎、嘿嘿、哈哈等)，都會表現出不同程度的情感傾向。選用張偉舒[24]創(chuàng)建的“微博情感傾向算法驗證程序1.1”(簡稱MBEWC)對現有微博數據的情感值賦分。MBEWC程序是在現有的情感詞詞典、否定詞詞典以及程度詞詞典的基礎上，改進并添加特殊標識符詞典、表情詞典以及語氣詞詞典3個新的詞典，以這6個不同功能的詞典構成新的詞典系統，對數據綜合分析，從而得到更準確的分析結果。其中情感詞、表情詞與語氣詞的權值范圍為[-20,20]，-20即表示極度痛苦的負能量情感，20表示十分開心的正能量情感。分別邀請10名研究生和本科生，同時對這些詞語賦值，最終取其平均值以求客觀的結果。將251 670條微博數據導入MBEWC程序中，得到每一條游客微博數據的最終情感值。

由于本文要分析全年365 d的游客微博情感值與空氣質量的關系，所以要計算出每一天所有用戶ID發(fā)布的微博情感值的平均值。運用SPSS軟件將自變量設定為日期，因變量為所有游客微博情感值，即可計算出每日游客微博情感值的均值(圖1)。

圖1　2014年游客微博日情感均值

根據圖1顯示，微博數據值均勻分布在2～8分之間，有個別異常值分布在區(qū)間外，如最高值達到16.362 5。由于情感受多重因素影響，所以出現異常值屬正常現象，但會干擾統計結果，所以人工將這些異常值剔除，使數據有序排列，得到樣本容量N為348。

3.2空氣質量污染物指標與游客微博情感值的相關性分析

從空氣質量的指標中提取5個主要污染物的指標為自變量，研究游客微博情感值與這5個參數的相關性。發(fā)現P值均小于0.05。微博情感值與PM2.5、PM10、CO、SO2、NO2都表現出較弱的負相關關系。

與之前學者的研究相比，本文的相關性較弱，原因在于數據來源的不同。之前有關情感與空氣質量的研究多采用問卷調查[18]，題目具有引導性，被試者在“空氣質量”與“情感”介入思考的情況下得出調查結果，因此結果比較理想。而本文的數據來源較為客觀，并且數據量較大，時間范圍較長，一年中大部分天氣處于較為舒適的狀態(tài)，游客的風險感知不明顯，在發(fā)微博時也不會過多涉及空氣質量。除非空氣質量極度惡化或變好才會得到較高的相關性。例如，游客情感值在10月21日達到頂峰值16.36，而相應的空氣質量為“輕度污染”；游客情感值在1月6日和2月24日跌入低谷，分別為0.77和1.78，相應當日的空氣質量為“重度污染”和“嚴重污染”。因此，本文得出的較弱負相關是基于客觀層面，具有一定的研究價值，假設H1成立。

3.3游客微博情感值影響因素的偏相關分析

將數據導入SPSS中，將控制變量設為PM2.5，分析SO2對游客微博情感值的影響，得到偏相關系數r為-0.108，絕對值小于相關系數-0.208，所以剔除PM2.5的影響后，SO2與微博情感相關性非常低，可見當PM2.5存在時，SO2對游客情感的影響比SO2單獨存在時對游客情感的影響程度大，因此H5正確。

3.4空氣質量污染物指標與游客微博情感值一元線性回歸分析

把數據導入SPSS軟件進行回歸分析，得到表2。

由表2可以看出，PM2.5每多排放1 000 μg，游客微博情感值下降6分;PM10每多排放1 000 μg，游客微博情感值下降3分;CO每多排放1 000 μg，游客微博情感值下降0.47分;SO2每多排放1 000 μg，游客微博情感值下降12分;而NO2每多排放1 000 μg，游客微博情感值下降21分。結果表明，空氣污染物對游客微博情感值影響程度為NO2>SO2>PM2.5>PM10>CO。因此可知，對游客情感影響最嚴重的指標是NO2，其次為SO2，因此假設H2錯誤。同時，在空氣污染物中，煙塵污染物對游客微博情感影響程度為PM2.5>PM10，所以假設H3成立。而對于氣體污染物，影響程度為NO2>SO2>CO，假設H4成立。

表2　空氣質量污染物指標與游客微博情感值的一元線性回歸分析結果*

*因變量為游客微博情感值，P<0.005。

3.5ROST CM6語義網絡分析驗證

利用ROST Content Mining 軟件對全部游客微博數據進行分析驗證。通過“分詞”以及“詞頻分析”，得出與本研究相關的高頻詞匯有空氣、污染、指數、天氣、空氣質量、霧霾、能見度、PM2.5等，將包含上述詞匯的微博文本進一步篩選，共計5 601條，通過ROST CM6軟件對篩選出的微博文本進行“社會網絡和語義網絡分析”，結果形似圈狀結構(圖2)。其中與空氣質量相關的詞語如污染、指數、天氣、呼吸、輕度等兩兩相連，表示這兩個詞語同時出現在同一微博中，即同一類詞語相關性較高。觀察外圈可知，情感詞如干凈、舒服、很好、陌生、嚴重等，簇擁在與空氣相關詞語類的周圍，表明游客情感與空氣質量聯系較強。但是縱觀整體微博樣本，與空氣質量有關的微博僅有5 601條，占總體樣本的5%，相當于從251 670條游客微博中抽樣調查，結果隱性指出游客情感受空氣質量影響。由于人的情感受多重因素影響，空氣質量只是眾多影響因素中的一種[6]，并且選取的微博數據是在被試者事先不知道該數據用于科研的情況之下，數據來源客觀真實，不帶有指向性，因此能夠驗證游客情感與空氣質量具有相關性。

圖2西安市游客空氣質量感知的語義網絡分析圖

Fig.2The semantic network analysis of tourists′ air quality perception in Xi′an city

當旅游現實與最初的期望不符時，游客會有失望、后悔等負面情感[11]，如游客對旅游地的空氣質量感知會與居住地相比較。筆者從數據樣本中選擇了北京和廣州這兩個城市作為代表，進一步作數據的比對。通過比較兩個城市的每日游客微博情感均值，發(fā)現廣東游客的情感值為[-16.44,29.45]，且波動幅度巨大；北京游客的情感值為[-5.71,23.09]，波動幅度較廣東的小，可見如果旅游地比居住地空氣質量差，對游客情感的影響程度大，反之則影響程度小。

4　結論與啟示

本文選取西安市2014年空氣質量數據及游客微博數據，通過相關性分析及回歸分析，研究其交互影響特征，并驗證了5個研究假設，結果發(fā)現：

(1)影響城市空氣質量的首要污染物中，PM2.5、PM10、CO、NO2、SO2均與游客微博情感值呈現較弱的顯著負相關。

(2)在污染物指標中，NO2對游客微博情感值的影響最為嚴重，具體表現為NO2每多排放1 000 μg，游客微博情感值下降21分。

(3)在煙塵污染物PM2.5和PM10中，PM10粒徑較大，容易被鼻腔攔截，而PM2.5粒徑很小，難以防御，對游客微博情感的影響比PM10嚴重。

(4)在氣體污染物NO2、SO2和CO中，NO2和SO2都具有強烈刺激性氣味，且NO2氣體顏色為棕紅色，所以這兩類氣體的排放會明顯引起游客的不適感，而CO無色無味，難以察覺，所以NO2和SO2對游客微博情感的影響程度遠大于CO。

(5)空氣中多種污染物同時存在對游客微博情感值的影響要明顯大于某一污染物單獨存在時的影響，具體表現為PM2.5和SO2同時存在對游客情感值的影響程度大于SO2單獨存在對游客微博情感值的影響。

通過本文有限的探討，可獲得以下啟示：(1)游客情感受多種變量影響，我們無法找出某一變量對其進行衡量，只能找出某一變量與情感之間是否存在相關性，從而推斷兩者之間的關系。(2)本文基于大數據的角度研究游客情感與空氣質量的關系，選取的樣本容量大，涵蓋面廣，時間足夠長，所有數據客觀真實，結果具有研究價值，對于空氣質量和情感關系研究有待后續(xù)進一步完善。(3)我國嚴重依賴資源和能源消耗的粗放型經濟給環(huán)境帶來巨大的壓力，導致近年來各省空氣質量逐年下降并為此付出了沉重代價。城市空氣污染不僅影響居民的身體健康，也對游客的情感產生負面影響，進而降低旅游滿意度，不利于目的地忠誠度的建立[15]。因此,改善空氣質量對于吸引游客以及提高目的地忠誠度具有重要意義。首先，治理空氣污染的根本途徑在于轉變經濟增長的方式，變粗放型為集約型發(fā)展模式，走新型工業(yè)化道路。其次，應配套相應法律法規(guī)，明確政府、企業(yè)以及居民在治理城市空氣污染中的責任，多方合作，有效遏制空氣質量進一步惡化。

[1] 謝耘耕,鄭廣嘉,陳瑋,等.2013年中國“霧霾”認知調查報告[J].新媒體與社會,2014(3):156-175.

[2] 薛志鋼,劉妍,柴發(fā)合,等.城市空氣污染指數改進方案及論證[J].環(huán)境科學研究,2011(2):125-132.

[3] QIU H,TIAN L,HO K F,et al.Air pollution and mortality: effect modification by personal characteristics and specific cause of death in a case-only study[J]. Environmental Pollution, 2015,199(4): 192-197.

[4] WANG W Q,YING Y Y, WU Q Y,et al.A GIS-based spatial correlation analysis for ambient air pollution and AECOPD hospitalizations in Jinan, China[J]. Respiratory Medicine,2015,109(3):372-378.

[5] 王倩.濟南市空氣污染對人體健康造成經濟損失的評估[D].山東:山東大學環(huán)境科學與工程學院,2007.

[6] 徐子琳,嚴偉.旅游心理學[M].上海:復旦大學出版社,2011.

[7] MORRIS N. Health, well-being and open space: literature review[R].Edinburgh:OPEN Space Research Center,Edinburgh College of Art/Heriot Watt University,2003.

[8] WELSCH H. Preferences over prosperity and pollution: environmental valuation based on happiness surveys [J]. Kyklos,2002,55( 4):473-494.

[9] 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.

[10] 周立柱,賀宇凱,王建勇.情感分析研究綜述[J].計算機應用,2008,28(11):25-28.

[11] 劉丹萍，金程.旅游中的情感研究綜述[J].旅游科學,2015,29(2):74-85.

[12] MEDHAT W, HASSAN A, KORASHY H. Sentiment analysis algorithms and applications: a survey [J]. Ain Shams Engineering Journal, 2014,5(4):1-21.

[13] 謝彥君.旅游體驗的兩級情感模型：快樂-痛苦[J].財經問題研究,2006(5):88-92.

[14] 李靜,PEARCE P L,吳必虎，等.霧霾對來京旅游者風險感知及旅游體驗的影響:基于結構方程模型的中外旅游者對比研究[J].旅游學刊，2015,30(10):48-59.

[15] 杜振雷.面向微博短文本的情感分析研究[D].北京:北京信息科技大學計算機學院,2013.

[16] TUMASJAN A, SPRENGER T O, SANDNER P G, et al. Election forecasts with twitter: how 140 characters reflect the political landscape [J].Social Science Computer Review,2010,29(4):402-418.

[17] 黃永明,何凌云.城市化、環(huán)境污染與居民直觀幸福感：來自中國的經驗證據[J].中國軟科學,2013,(12):82-93.

[18] 韓雪.石家莊市大氣顆粒物(PM10/PM2.5)對肺炎住院影響的病例交叉研究[D].河北:河北醫(yī)科大學第二醫(yī)院,2014.

[19] 董鳳鳴,莫運政,李國星，等.大氣顆粒物(PM10/PM2.5)與人群循環(huán)系統疾病死亡關系的病例交叉研究[J].北京大學學報(醫(yī)學版),2013,45(3):398-404.

[20] 羊德容.蘭州市PM2.5污染特性及其對人體健康的影響[D].甘肅:蘭州大學環(huán)境學院,2013.

[21] 賈瑾.基于空氣質量數據解析大氣復合污染時空特征及過程序列[D].浙江:浙江大學環(huán)境與資源學院,2014.

[22] GIRARDIN F,GALABRESE F,FIORE F D,et al. Digital footprinting: uncovering tourists with user-generated content [J]. IEEE Pervasive Computing, 2008,7(4):36-43.

[23] 馮希瑩,王來華. 輿情概念辨析[J]. 社會工作(學術版), 2011(5):83-87.

[24] 張偉舒.微博情感傾向算法的改進與實現[J].知識管理論壇,2013(9):21-27.

〔責任編輯程琴娟〕

The relation of air quality and tourist emotion based on the micro-blog data：a case study of Xi′an city

ZHANG Sidou, LI Junyi*

(School of Tourism and Environment Sciences, Shaanxi Normal University, Xi′an 710119, Shaanxi, China)

Based on the micro-blog data of Xi′an tourists, and employs amendatory “MBEWC” to calculate the emotion value of tourists, the relationship between emotional tendency and air quality are studied. The results show that five pollutants including PM2.5, PM10, NO2, SO2and CO have weak negative correlation with tourists′ micro-blog emotion index.Among all the pollutant indexes, NO2has the largest impact on tourist emotion and the emotion value of tourists goes down 21 points when every 1 000 μg NO2is discharged specifically.As for PM2.5and PM10, PM10has less influence than PM2.5on tourist emotion because PM2.5has smaller grain size which is harder to defend.For gaseous pollutants, NO2and SO2have much greater impact on tourist emotion than CO.It has been found that a variety of pollutants in the air bring larger effect on tourist emotion than sole one,such as,it has larger influence on tourist emotionwhen PM2.5and SO2exist at the same time than SO2alone.

micro-blog; air quality; tourists; emotion

1672-4291(2016)04-0102-06

10.15983/j.cnki.jsnu.2016.04.443

2015-05-05

國家自然科學基金(41571135，41401639);旅游業(yè)青年專家培養(yǎng)計劃(TYETP201344)；中央高?；究蒲袠I(yè)務費專項資金(14SZZD02)

李君軼,男,教授。E-mail: lijunyi9@snnu.edu.cn

B845.6; X51

A