基于多智能體建模的旅游危機(jī)管理策略研究

范春梅 武曉瀟 袁韻

[摘 ? ?要]近年來，宰客事件愈演愈烈，成為旅游市場的頑疾之一。文章運(yùn)用基于多智能體建模方法，融合多源數(shù)據(jù)，從微觀異質(zhì)性游客決策過程和游客-目的地間交互作用的視角，構(gòu)建游客目的地選擇模型，在此基礎(chǔ)上對比研究了不同力度的信息策略和價格策略的市場恢復(fù)效果及其動態(tài)演化趨勢，并探討了恢復(fù)策略的組合優(yōu)化問題。研究發(fā)現(xiàn)，信息策略的恢復(fù)效果隨時間演化呈現(xiàn)先下降后上升的“U”形變化趨勢，并且在不同媒體關(guān)注度和游客信息涉入度的宰客事件中，信息策略的實(shí)施效果呈現(xiàn)顯著的差異性。價格策略在時間維度上的恢復(fù)過程較為平穩(wěn);當(dāng)兩種策略同時實(shí)施時，信息策略對不同力度價格策略恢復(fù)效果的差異存在放大效應(yīng)，并且能使旅游市場提前回溫。

[關(guān)鍵詞]旅游宰客;多智能體建模;市場恢復(fù);動態(tài)演化

[中圖分類號]F59

[文獻(xiàn)標(biāo)識碼]A

[文章編號]1002-5006（2020）08-0048-13

Doi： 10.19765/j.cnki.1002-5006.2020.08.011

引言

旅游業(yè)在促進(jìn)區(qū)域商業(yè)活動、提高經(jīng)濟(jì)收入和創(chuàng)造就業(yè)等方面發(fā)揮著重要作用。然而，旅游信息的不對稱性、旅游消費(fèi)的低重復(fù)性等特點(diǎn)為宰客現(xiàn)象在旅游市場的蔓延提供了溫床[1]。2015年10月，青島“天價蝦”事件轟動全國;2016年2月，哈爾濱“天價魚”事件也備受熱議;2017年12月，“雪鄉(xiāng)宰客”事件再次刷爆網(wǎng)絡(luò)。宰客現(xiàn)象是旅游市場中被游客普遍抱怨的頑疾之一，不少游客有過體驗，這些宰客事件信息經(jīng)過各類媒體擴(kuò)散，迅速升溫發(fā)酵，在大范圍內(nèi)引發(fā)公眾的共鳴和強(qiáng)烈反應(yīng)，可能導(dǎo)致潛在游客改變或取消旅游計劃[2-3]，引起旅游市場和相關(guān)行業(yè)的經(jīng)濟(jì)下滑，甚至引發(fā)社會問題[4]。因此，宰客事件爆發(fā)后，如何采取科學(xué)有效的策略盡快恢復(fù)旅游市場，是旅游業(yè)危機(jī)管理亟須解決的問題。

旅游危機(jī)是指影響游客對旅游目的地的旅游信心，擾亂旅游市場持續(xù)正常運(yùn)行的非預(yù)期性事件[5]。為了有效管理危機(jī)，一些組織機(jī)構(gòu)和學(xué)者根據(jù)危機(jī)的生命周期對危機(jī)管理進(jìn)行了階段劃分。Faulkner將旅游危機(jī)管理劃分為6個階段，事前預(yù)防階段、前兆階段、應(yīng)急響應(yīng)階段、短期恢復(fù)階段、長期恢復(fù)階段和達(dá)到新穩(wěn)定狀態(tài)的解決階段[6]。不同階段的危機(jī)管理重點(diǎn)存在差異。本文主要針對危機(jī)爆發(fā)后的應(yīng)急響應(yīng)和短期恢復(fù)階段，探討旅游市場恢復(fù)策略，原因在于：一方面，該階段各類危機(jī)信息快速傳播引起公眾廣泛討論，危機(jī)事件不斷發(fā)酵，危害程度迅速增加[7]，如未及時采取措施，公眾刻板的負(fù)面旅游目的地形象一旦形成，后期心理修復(fù)的成本巨大;另一方面，由于時間緊迫，巨大的社會壓力和高昂的試錯成本導(dǎo)致管理者容易陷入決策困境[8]，如果不能實(shí)現(xiàn)對危機(jī)的有效干預(yù)，或者干預(yù)策略失誤，將導(dǎo)致危機(jī)影響的進(jìn)一步擴(kuò)大。

梳理現(xiàn)有文獻(xiàn)發(fā)現(xiàn)，旅游危機(jī)管理策略可大致分為3類：第一類是旅游功能修復(fù)類策略，如景區(qū)重建[3]、產(chǎn)品結(jié)構(gòu)調(diào)整[9]、引進(jìn)服務(wù)商[1]、折扣和價格補(bǔ)貼[10];第二類是心理修復(fù)類策略，如目的地形象聲譽(yù)修復(fù)、信心恢復(fù)[3]、定位和營銷[11];第三類是信息溝通管理類策略，如信息公開、媒體溝通[12]等。在應(yīng)急響應(yīng)和短期恢復(fù)階段，價格策略和信息策略發(fā)揮著重要作用。Okuyama通過問卷調(diào)研發(fā)現(xiàn)，信息策略和價格策略是旅游危機(jī)事件發(fā)生后短期恢復(fù)的重要策略[4]。Laarman和Gregersen對以往文獻(xiàn)進(jìn)行綜述，指出政府通過價格監(jiān)管、補(bǔ)貼等形式使游客總體的旅游費(fèi)用維持在一定范圍之內(nèi)，有助于短期內(nèi)快速吸引更多游客[10]。Beirman基于案例研究了信息溝通在游客恢復(fù)過程中發(fā)揮的重要作用[12]。Mair等認(rèn)為，提供及時準(zhǔn)確的信息是應(yīng)急響應(yīng)的重要方式[3]，因為廣泛的媒體報道會影響游客的風(fēng)險感知[11]，進(jìn)而影響游客的目的地選擇行為。

目前，關(guān)于旅游危機(jī)管理策略的研究已經(jīng)有了豐碩的成果，但是其在推演過程和實(shí)踐應(yīng)用方面仍然存在著一些局限：（1）對游客的異質(zhì)性考慮不足。已有研究往往將游客視為一個整體或劃分為少量細(xì)分市場，而在實(shí)際旅游活動中，游客年齡、性別、經(jīng)濟(jì)條件、旅游偏好等差異帶來的決策行為上的不同會對旅游市場管理策略實(shí)施的效果具有重要影響。（2）難以體現(xiàn)旅游系統(tǒng)的開放、動態(tài)特征。現(xiàn)有研究往往建立在有序、封閉、靜態(tài)的假設(shè)基礎(chǔ)上[13]，但事實(shí)上，系統(tǒng)內(nèi)部各個部分之間、系統(tǒng)內(nèi)部與外部環(huán)境之間會不斷地在一定時間和空間范圍內(nèi)發(fā)生相互作用。（3）目前，該領(lǐng)域文獻(xiàn)仍以定性研究為主，少量文獻(xiàn)采用了文獻(xiàn)梳理或基于某個案例的定量分析方法[3]。總體而言，難以驗證市場恢復(fù)策略的有效性和適用條件，難以預(yù)估策略引起的市場反應(yīng)的演變發(fā)展動態(tài)過程。

為了克服上述局限，本文嘗試結(jié)合復(fù)雜性科學(xué)理論與建模方法，采用多智能體建模（agent-based model， ABM）技術(shù)探討應(yīng)急響應(yīng)和短期恢復(fù)階段的旅游危機(jī)管理策略，并對策略的適用條件和實(shí)施效果進(jìn)行評估?；诙嘀悄荏w建模只需考慮極少的假設(shè)條件，就能對復(fù)雜系統(tǒng)進(jìn)行高度還原的仿真模擬[14]。并且，與傳統(tǒng)模型相比，基于多智能體建模能夠充分考慮個體間的異質(zhì)性和行為的適應(yīng)性[15]，展現(xiàn)智能體間的交互性[16]?；诙嘀悄荏w建模的方法目前已經(jīng)在游客行為、景區(qū)營銷等研究領(lǐng)域中獲得了成功應(yīng)用。例如，黎巎采用基于多智能體建模方法模擬了頤和園內(nèi)的客流分布[17];Reintinger等運(yùn)用基于多智能體模型評估了人口統(tǒng)計因素和社會經(jīng)濟(jì)因素的變化對德國兩個旅游區(qū)旅游需求的影響[18];Balbi等針對歐洲某滑雪場建立多智能體模型，評估各種經(jīng)營策略的實(shí)施效果，研究發(fā)現(xiàn)增加非滑雪類旅游項目是促進(jìn)該滑雪場未來發(fā)展的最佳選擇[19]。但是該方法在旅游危機(jī)管理領(lǐng)域尚處于起步階段，迫切需要更多深入的研究。

本研究期望達(dá)到以下兩個目的：第一，使用基于多智能體建模方法構(gòu)建游客目的地選擇模型，充分反映游客異質(zhì)性、旅游系統(tǒng)動態(tài)發(fā)展和交互作用過程，深入理解游客對危機(jī)事件和不同策略的反應(yīng);第二，仿真模擬不同策略實(shí)施后的旅游市場需求的動態(tài)演化過程，幫助景區(qū)管理者對策略效果形成預(yù)判，用更低的試錯成本，找到科學(xué)有效的旅游恢復(fù)策略組合，遏制旅游危機(jī)蔓延，促進(jìn)旅游市場更快恢復(fù)。

1 案例背景

雪鄉(xiāng)位于黑龍江省海林市，是黑龍江省冰雪旅游的主打品牌之一[20]，國家4A級景區(qū)。2016年，雪鄉(xiāng)全年旅游產(chǎn)業(yè)收入2.3億元，帶動相關(guān)產(chǎn)業(yè)收入為5.0億元，2017年旅游產(chǎn)值高達(dá)6.1億，強(qiáng)有力地推動了區(qū)域經(jīng)濟(jì)的發(fā)展1。2017年12月29日，一篇名為《雪鄉(xiāng)的雪再白也掩蓋不掉純黑的人心！別再去雪鄉(xiāng)了！》的公眾號推文引發(fā)了“雪鄉(xiāng)宰客”話題的討論。此后，中央電視臺、《人民日報》《北京青年報》等各類媒體對該事件進(jìn)行大量報道，引發(fā)輿情高峰。根據(jù)艾媒網(wǎng)輿情報告[21]，“雪鄉(xiāng)宰客”事件中，網(wǎng)友大多持負(fù)面評價，普遍結(jié)合自身旅游體驗對該地旅游行業(yè)存在的各類問題提出批評和質(zhì)詢，諸多游客表示將取消雪鄉(xiāng)旅游計劃，甚至很多言論帶有地區(qū)符號，“東北”成為輿情熱詞，引發(fā)地域之爭。“雪鄉(xiāng)宰客”作為最近一起引爆網(wǎng)絡(luò)輿論的宰客事件，在引發(fā)原因、事件演化過程和政府響應(yīng)策略等方面都與以往影響力較大的幾起宰客事件有諸多相似之處，具有典型代表性，因此，本文選擇“雪鄉(xiāng)宰客”事件作為案例背景。

為了盡可能模擬還原“雪鄉(xiāng)宰客”事件對目的地旅游市場的影響，本文選取了哈爾濱（市區(qū)）、亞布力、雪鄉(xiāng)和鏡泊湖4個目的地，構(gòu)建旅游競爭市場模擬系統(tǒng)。哈爾濱、亞布力、雪鄉(xiāng)和鏡泊湖均為黑龍江省冰雪產(chǎn)業(yè)的先行示范區(qū)“哈亞牡”地區(qū)的知名目的地[22]，地理位置接近，游客來往頻繁。4個目的地既相互關(guān)聯(lián)又彼此競爭，其中，哈爾濱是一座國際時尚冰雪都市，各類旅游資源豐富，也是黑龍江省最大的客流集散中心;亞布力位于尚志市，距哈爾濱市198千米、牡丹江市120千米，以滑雪旅游度假為特色，是國家4A級景區(qū)，擁有國家5S級滑雪場;鏡泊湖位于寧安市，與雪鄉(xiāng)所在的海林市均屬于牡丹江市下轄縣級市，鏡泊湖是中國最大、世界第二大高山堰塞湖，被評為世界地質(zhì)公園、國家5A級旅游區(qū)。哈爾濱-亞布力-雪鄉(xiāng)-鏡泊湖滑雪旅游度假帶是黑龍江省重點(diǎn)打造的一梯隊黃金冰雪旅游線路。該線路每年的旅游旺季為冬季，所以本文主要研究4個目的地冬季（12月—次年2月）的旅游市場情況。為了體現(xiàn)旅游系統(tǒng)的開放性特征，在模擬中游客可以選擇上述4個目的地，也可選擇黑龍江省的其他區(qū)域進(jìn)行游覽，系統(tǒng)只跟蹤記錄選擇了上述4個目的地的游客數(shù)據(jù)，選擇了其他目的地的游客視為退出模擬系統(tǒng)。

2 模型設(shè)計

2.1 游客智能體

旅游目的地選擇是游客多階段決策的行為過程[23]，影響旅游決策的因素眾多，主要可歸結(jié)為兩個方面[24]：來自旅游者自身的內(nèi)部因素和來自旅游目的地的外部因素。主要影響因素包括消費(fèi)偏好[25]、預(yù)算資金[19]、時間限制[26]、旅游價格[27]、旅游產(chǎn)品質(zhì)量[28]和風(fēng)險感知[29]等。因此，對于游客智能體，本文主要設(shè)置了以下4個屬性：（1）偏好（ai）：游客智能體擁有不同的活動偏好，目的地與游客偏好相符的景點(diǎn)或活動評分越高，吸引游客選擇該目的地的可能性越大。（2）風(fēng)險感知（Rpi）：是指游客對目的地可能發(fā)生各種風(fēng)險的綜合認(rèn)知。（3）預(yù)算（Tci）：是游客愿意為此次旅游行付出的最高資金，主要指在目的地內(nèi)的全部花費(fèi)。（4）計劃游玩時間（Tdi）：是指游客為完成此次旅游所愿意花費(fèi)的最大天數(shù)。由于游客的預(yù)算、計劃游玩時間和風(fēng)險感知會受到人口統(tǒng)計學(xué)特征、客源地等多種因素的綜合影響。如馬秋芳等[30]認(rèn)為旅游花費(fèi)受到客源地、性別、婚姻等多達(dá)15種因素的影響。各因素分布是相互獨(dú)立且隨機(jī)的，單個因素難以對決策起到?jīng)Q定性作用。在觀測對象個體數(shù)量較大時（游客數(shù)量N>1000 000），依據(jù)大數(shù)定理和中心極限定理，屬性的數(shù)值分布可以近似視為正態(tài)分布，這一處理方式在建模中得到了廣泛的采用。如Balbi等[19]在評估滑雪場營銷策略效果時將游客對幾類滑雪設(shè)施的偏好閾值設(shè)為正態(tài)分布;孫丹丹和徐曉燕將客戶對產(chǎn)品的初始認(rèn)知度也作為正態(tài)分布處理[31]。因此，本文假設(shè)游客的預(yù)算、計劃游玩時間和游客對目的地的風(fēng)險感知均服從正態(tài)分布，來充分反映游客之間的異質(zhì)性。

2.2 目的地智能體

每個目的地內(nèi)均包含多個景點(diǎn)，本文根據(jù)格爾德納的景區(qū)分類理論，按照景點(diǎn)主要資源類型將景點(diǎn)劃分為文化、自然、節(jié)慶、游憩、娛樂等5個活動類型。每個目的地均包含上述5類活動中的一種或多種。與游客智能體相對應(yīng)，目的地智能體設(shè)置了吸引力（Si）、費(fèi)用水平（ci）、最佳游玩天數(shù)（di）3個屬性。Vengesayi認(rèn)為，目的地吸引力反映了游客對目的地滿足游客需求程度的感知能力[32]，一個目的地滿足游客需求的程度越高，越能夠吸引游客。張紅賢等研究表明，目的地吸引力與接待游客量呈顯著的正比關(guān)系，游客量越多的目的地，其旅游吸引力越大[33]。因此，模型中的目的地吸引力由歷史客流量比例和各類活動在線評論評分共同反映，且吸引力隨游客反饋評價動態(tài)變化。費(fèi)用水平是指每位游客在某一目的地內(nèi)的歷史日均花費(fèi)水平。最佳游覽時間根據(jù)“百度旅游”給出的建議游玩天數(shù)確定。

2.3 旅游市場恢復(fù)策略

信息策略是應(yīng)急響應(yīng)和短期恢復(fù)階段普遍采用的旅游危機(jī)管理策略。積極的信息策略對于降低游客風(fēng)險感知、消除危機(jī)的負(fù)面影響發(fā)揮著關(guān)鍵作用[3，12]。分析我國影響力較大的旅游宰客事件資料，發(fā)現(xiàn)在實(shí)踐中政府普遍采取了信息策略，按照其投入力度可分為3個層次：低力度的信息策略，如有關(guān)部門調(diào)查涉事企業(yè)，接受媒體采訪，向大眾公布處理結(jié)果;中力度的信息策略，如政府召開專題會議，多次強(qiáng)調(diào)相關(guān)管理規(guī)定和條例，組織媒體進(jìn)行報道;高力度的信息策略，如政府官方發(fā)言人或相關(guān)部門領(lǐng)導(dǎo)積極與媒體溝通，主動在公開場合作出解釋，頻繁發(fā)布宣傳正面目的地形象的信息。

危機(jī)信息傳播過程涉及的主體主要包括政府、媒體和公眾[34]，所以信息策略的實(shí)施效果不僅受到政府投入力度的影響，也受信息傳播媒介和接收者的制約。鄒宏霞等指出，信息涉入的差異對于游客對目的地的認(rèn)知具有重大影響[35]。Wahlberg和Sjoberg的研究也發(fā)現(xiàn)，媒體報道、游客對旅游危機(jī)事件的熟悉和關(guān)注程度等會影響游客的風(fēng)險感知[36]，進(jìn)而影響游客的目的地選擇行為。因此，本模型引入媒體關(guān)注度、游客信息涉入度兩個變量，按其程度高低區(qū)分組成4種情境，研究不同情境下政府信息策略的有效性。

價格策略也是應(yīng)急響應(yīng)和短期恢復(fù)中常用的旅游市場恢復(fù)策略，對于游客量恢復(fù)具有重要作用[10，13]。在我國，政府的價格策略通常包括下調(diào)門票價格或門票折扣、加強(qiáng)景區(qū)內(nèi)市場價格監(jiān)管、提供專項補(bǔ)貼等多種形式，目的是為了將游客在目的地內(nèi)的基本旅游費(fèi)用控制在一定范圍內(nèi)[9]，降低旅游門檻，吸引更多游客。根據(jù)旅游目的地每日人均費(fèi)用水平的降低程度，模型將價格策略分為高、中、低3種實(shí)施力度。本文將分析不同力度下這兩種恢復(fù)策略的實(shí)施效果，模擬可能出現(xiàn)的策略矩陣，探討兩種策略3個力度下的組合優(yōu)化問題。

2.4 游客行為決策規(guī)則

國內(nèi)外關(guān)于目的地選擇模型的代表性成果主要有旅游決策過程模型[37]、選擇域模型[38]、計劃行為理論模型、基于隨機(jī)效用理論的離散選擇模型[39]等。旅游決策過程模型是游客主體視角的多階段理性決策過程，在解釋游客目的地選擇決策中發(fā)揮著重要作用。本文根據(jù)經(jīng)典的五階段模型將游客目的地選擇過程分為5個階段，分別為：確定備選目的地、備選目的地評估（包括吸引力評估、費(fèi)用評估、風(fēng)險感知評估和游玩天數(shù)評估）、訪問目的地、離開目的地、反饋評價。

模型框架如圖1所示。每個目的地智能體具有不同的吸引力水平、最佳游玩天數(shù)以及費(fèi)用水平。游客智能體則結(jié)合自身的活動偏好、計劃游玩時間、預(yù)算、風(fēng)險感知進(jìn)行評估，做出是否選擇以及選擇哪個候選目的地的決策。游客智能體離開目的地后，以一定的概率對旅游目的地進(jìn)行反饋評價，改變目的地原吸引力評分?；诙嘀悄荏w模型可通過改變模型參數(shù)來模擬一種情境的發(fā)生[40，43]。宰客是指以非法手段獲得消費(fèi)者所不能接受的過高利潤的行為[41]，宰客事件影響的關(guān)鍵是促使人們形成對旅游目的地“高風(fēng)險”的預(yù)判[42]，進(jìn)而影響到旅游決策。因此，本文通過改變游客風(fēng)險感知、目的地費(fèi)用水平等屬性參數(shù)來模擬旅游宰客事件發(fā)生情境。信息策略和價格策略分別作用于游客智能體的風(fēng)險感知和目的地智能體的費(fèi)用屬性參數(shù)。

假設(shè)任意一名游客T，其活動偏好為a，游玩預(yù)算為Tc，計劃游玩天數(shù)為Td，當(dāng)前游玩天數(shù)為Pd。

（1）選擇候選目的地。系統(tǒng)內(nèi)存在N個候選目的地，根據(jù)歷史游客接待量，設(shè)置不同的被選擇概率。目的地Di的被選擇概率為P（Di），且[i=1NPDi=1]。游客T按照既定概率隨機(jī)選擇一個目的地作為其候選目的地Dc。之后，游客T針對目的地Dc按順序展開評估，若一項評估通過即進(jìn)入下一項，未通過則重新選擇候選目的地。當(dāng)系統(tǒng)內(nèi)目的地均不能滿足需求時，游客T離開仿真系統(tǒng)。

（2）吸引力評估。系統(tǒng)認(rèn)為目的地與游客偏好相符的活動評分越高，游客對其吸引力評估越高。因此，假設(shè)候選目的地Dc的活動a的評分為Sa，活動a的最高可能評分為Smax，則候選目的地Dc有P1=Sa/Smax的概率通過游客T的吸引力評估，進(jìn)入（3）;有P2=1-P1的概率重新選擇候選目的地，返回（1）。

（3）風(fēng)險感知評估。系統(tǒng)假設(shè)游客的風(fēng)險感知服從N（μr， σr）的正態(tài)分布，假設(shè)游客T當(dāng)前的風(fēng)險感知為Rp，系統(tǒng)內(nèi)的風(fēng)險感知閾值為Rt，當(dāng)Rp < Rt時，游客風(fēng)險感知處于可接受水平，進(jìn)入（4），否則返回（1）。

（4）費(fèi)用評估。假設(shè)候選目的地Dc的最佳游玩天數(shù)為d，日均費(fèi)用為c，當(dāng)[Tc-c×d≥0]且[Td≥d]時，游客訪問候選目的地，進(jìn)入（5），否則返回（1）。

（5）訪問目的地。游客T訪問通過上述評估條件的目的地，隨單位仿真時間的變化更新其實(shí)際駐留天數(shù)dt，當(dāng)dt=d時，進(jìn)入（6）。

（6）離開目的地。游客在目的地停留的第d天，更新游客游玩預(yù)算Tc=Tc-c×d，更新計劃游玩天數(shù)為Td=Td-d。

（7）反饋評價。游客在離開目的地后，有P（c）的概率進(jìn)行反饋評價。游客對目的地Dc的活動a的具體評分采用5級評分制，即i∈{1，2，3，4，5}的概率為P（i），且[i=15P（i）=1]。新一周期的目的地活動評分Slater由前一周期的基礎(chǔ)評分Sbefore和游客的反饋評分Stourists共同決定，即Slater=Sbefore+（1-β）Stourists，其中β是權(quán)重分配系數(shù)。

（8）檢查游玩天數(shù)。當(dāng)游客剩余的計劃游玩天數(shù)不小于未選目的地中最小的最佳游玩天數(shù)，即Td≥min{d1，d2，…，dn}時，游客可再次重新隨機(jī)選擇候選目的地。

3 仿真系統(tǒng)設(shè)置與檢驗

3.1 仿真環(huán)境及相關(guān)參數(shù)設(shè)置

NetLogo軟件是實(shí)現(xiàn)多智能體建模的常用仿真平臺，操作簡單，功能強(qiáng)大，并且能夠以圖形化或者數(shù)據(jù)統(tǒng)計的形式直觀地展示仿真過程，研究者可根據(jù)需要自行設(shè)計軟件界面和數(shù)據(jù)輸出方式。本文使用NetLogo 6.0.3軟件進(jìn)行模型仿真，模擬游客每年冬季（12月—次年2月）前往4個目的地的旅游行為。系統(tǒng)以天作為最小時間單位，3個月為1周期，時間跨度6個周期。每個周期初對游客智能體初始化。游客通過既定決策規(guī)則選擇是否進(jìn)入系統(tǒng)，系統(tǒng)中的游客選擇某個或多個目的地進(jìn)行游玩，游客離開系統(tǒng)后，系統(tǒng)自動更新游客智能體和目的地智能體的屬性參數(shù)，同時輸出各目的地當(dāng)日游客到達(dá)人數(shù)和累計到達(dá)人數(shù)。本文的數(shù)據(jù)來源除官方統(tǒng)計數(shù)據(jù)外，還收集了攜程網(wǎng)、百度旅游、百度指數(shù)等平臺的互聯(lián)網(wǎng)數(shù)據(jù)。模型主要參數(shù)的數(shù)據(jù)來源、計算方式、初始仿真參數(shù)如表1所示。其中，攜程網(wǎng)中相關(guān)目的地景點(diǎn)信息、在線評論和游記等數(shù)據(jù)通過Python編程環(huán)境下的requests庫和beautifulsoup 4庫定向采集，共采集游記2250篇，評論53 644條。

仿真系統(tǒng)只需設(shè)置初始游客智能體投入量，就可以根據(jù)既定規(guī)則自動完成后續(xù)模擬，輸出仿真結(jié)果。鑒于4個目的地具體游客數(shù)量未有官方數(shù)據(jù)公布，而幾個目的地又均屬于區(qū)域內(nèi)知名目的地，擁有較高的網(wǎng)絡(luò)關(guān)注度，已有研究表明，在線評論量與銷量存在正向相關(guān)關(guān)系，在線評論量可作為銷量的預(yù)測因子[47]，因此，為了盡可能地構(gòu)建貼近真實(shí)情況的仿真環(huán)境，本文以各目的地所屬地（縣）級市《國民經(jīng)濟(jì)和社會發(fā)展統(tǒng)計公報》中公布的全年總接待旅游人數(shù)為基礎(chǔ)，乘以目的地每年開放天數(shù)比例，再使用攜程網(wǎng)中各目的地的在線評論數(shù)量在對應(yīng)地（縣）級市所有目的地在線評論總量中的占比，進(jìn)行比例劃分，最終得出各目的地的近似游客量，用于仿真模型游客智能體投入數(shù)量的初始化。受系統(tǒng)負(fù)荷和運(yùn)行效率限制，本文初始設(shè)置20 000個游客智能體，每個游客智能體代表現(xiàn)實(shí)中具有相似特征的2500名游客。同時，考慮到旅游市場中游客的自然增長現(xiàn)象，系統(tǒng)依據(jù)黑龍江省近3年（2015—2017年）平均游客量增長百分比，設(shè)置每年15%的自然增長率。

3.2 仿真系統(tǒng)驗證

仿真系統(tǒng)驗證主要包括概念結(jié)構(gòu)測試和模擬輸出測試[43]。首先，設(shè)置5個單位的游客智能體，觀察每個游客智能體的行為是否符合預(yù)期規(guī)則以及各模塊數(shù)據(jù)輸出是否吻合;然后變換系統(tǒng)內(nèi)關(guān)鍵屬性的仿真參數(shù)值來檢驗?zāi)Ｐ挽`敏度。100次獨(dú)立實(shí)驗結(jié)果表明，程序運(yùn)行正確，費(fèi)用、風(fēng)險感知等參數(shù)能夠引起仿真系統(tǒng)各目的地游客數(shù)量的靈敏變化，系統(tǒng)可以滿足研究需要。模型輸出的有效性和穩(wěn)健性檢驗使用2012—2016年4個目的地的游客量經(jīng)驗數(shù)據(jù)與仿真數(shù)據(jù)的對比來完成，取20次系統(tǒng)運(yùn)行結(jié)果的平均值來控制仿真輸出不確定性的影響。圖2分別展示了2012—2016年冬季，雪鄉(xiāng)游客量和市場份額的經(jīng)驗數(shù)據(jù)與模擬數(shù)據(jù)的對比。如圖2所示，除個別年份雪鄉(xiāng)游客市場驟變外，系統(tǒng)整體模擬效果良好，其中，2013年受在雪鄉(xiāng)取景的綜藝節(jié)目《爸爸去哪兒》熱播的影響，雪鄉(xiāng)知名度飆升，所以仿真值與驗數(shù)據(jù)間誤差較大?？梢?，本文的變量選取、規(guī)則設(shè)定和參數(shù)設(shè)置可以較好地模擬游客的目的地選擇行為。

表2展示了4個目的地詳細(xì)的經(jīng)驗數(shù)據(jù)、實(shí)際數(shù)據(jù)和相對誤差?？梢姡诒疚牡哪Ｐ蛥?shù)設(shè)置和仿真環(huán)境下，仿真數(shù)據(jù)與經(jīng)驗數(shù)據(jù)之間基本呈相同的變化態(tài)勢，誤差也被控制在一定范圍內(nèi)，最大相對誤差不超過23%。且市場份額的仿真誤差比絕對游客量的更小。為了進(jìn)一步檢驗游客量數(shù)值變化是否會影響目的地市場份額仿真結(jié)果輸出，本文將初始游客量調(diào)整為原實(shí)驗的50%再次進(jìn)行檢驗，對比發(fā)現(xiàn)，兩次模擬結(jié)果基本一致。這是因為仿真模型中目的地屬性參數(shù)和游客決策過程均遵從既定規(guī)則，在目的地可承載的范圍內(nèi)，目的地市場份額不受系統(tǒng)內(nèi)總游客數(shù)量變化的影響。因此，下文主要基于市場份額進(jìn)行研究。同時，市場份額還可以更加直觀明了地反映市場情況，減少自然增長趨勢的干擾。

4 仿真結(jié)果分析

4.1 信息策略的影響分析

旅游業(yè)是一個信息敏感型產(chǎn)業(yè)[44]，旅游者的出行決策強(qiáng)烈依賴于信息搜索，互聯(lián)網(wǎng)已成為當(dāng)前人們獲取旅游信息的最重要渠道[45]。王煉和賈建民研究發(fā)現(xiàn)，網(wǎng)絡(luò)搜索可作為刻畫公眾風(fēng)險感知動態(tài)特征的指標(biāo)[46]?；诎俣人阉饕娴暮Ａ繑?shù)據(jù)，百度指數(shù)能夠反映某關(guān)鍵詞在百度的搜索規(guī)模。觀察“雪鄉(xiāng)宰客”的百度指數(shù)，其變化過程與指數(shù)分布類似，且隨時間衰減。即宰客事件爆發(fā)后，公眾提交網(wǎng)絡(luò)搜索請求的過程是一個泊松過程，第k次隨機(jī)事件與k+1次隨機(jī)事件出現(xiàn)的時間間隔服從指數(shù)分布[46]。假設(shè)游客的風(fēng)險感知服從正態(tài)分布，保持標(biāo)準(zhǔn)差不變，宰客事件爆發(fā)后游客的風(fēng)險感知均值在原基礎(chǔ)上受媒體關(guān)注度、游客信息涉入度、政府策略力度等多方面因素共同修正得到，且這些因素的作用隨時間而削弱。參考孫丹丹和徐曉燕[31]在研究網(wǎng)絡(luò)口碑對顧客認(rèn)知影響時的公式推導(dǎo)過程，修正后的風(fēng)險感知均值如下：

[μ=μ+s×w×e-（p+0.05）t] （1）

其中，μ表示宰客事件爆發(fā)后游客風(fēng)險感知的均值，μ表示宰客事件爆發(fā)前游客的風(fēng)險感知均值，s表示媒體關(guān)注度，w表示游客信息涉入度，p表示 ? ?政府恢復(fù)策略的力度，t表示距開始采取恢復(fù)策略的天數(shù)。

本文將媒體關(guān)注度和游客信息涉入度分為高低兩組，模擬現(xiàn)實(shí)中高媒體關(guān)注度、高游客信息涉入度（記為A1），高媒體關(guān)注度、低游客信息涉入度（記為A2），低媒體關(guān)注度、高游客信息涉入度（記為A3）和低媒體關(guān)注度、低游客信息涉入度（記為A4）4種情境。通過對實(shí)際“雪鄉(xiāng)宰客”百度指數(shù)的擬合，設(shè)定p=0，p=0.05，p=0.15和p=0.25分別對應(yīng)政府不采取信息策略、低力度的信息策略、中力度的信息策略、高力度的信息策略。圖3展示了4種情境下，政府不同力度信息策略的市場恢復(fù)的效果。

綜合觀察圖3（a）和圖3（d），信息策略使目的地市場份額出現(xiàn)先下降再上升后達(dá)到穩(wěn)定狀態(tài)的“U”形趨勢;當(dāng)媒體關(guān)注度和游客信息涉入度越高時，信息策略的恢復(fù)效果越明顯。但是，宰客事件爆發(fā)后不論政府采取多大力度的信息策略進(jìn)行補(bǔ)救，仍然難以達(dá)到未發(fā)生宰客前的市場份額，說明旅游宰客事件會在一定時間內(nèi)對于當(dāng)?shù)芈糜螛I(yè)發(fā)展產(chǎn)生難以磨滅的負(fù)面影響。在高媒體關(guān)注度和高游客信息涉入度的情況下，如圖3（a）所示，高力度的信息策略不僅能最大程度地恢復(fù)目的地市場份額，而且能使市場份額回升拐點(diǎn)提前，并更早達(dá)到穩(wěn)定狀態(tài)。如圖3（b）和圖3（c）所示，在影響力一般的宰客事件中，積極的信息策略雖然會導(dǎo)致前期短時間內(nèi)市場份額下降幅度增大，但也能夠更大范圍修復(fù)游客信任，對于更快促進(jìn)市場恢復(fù)具有幫助。但值得注意的是，在媒體關(guān)注度和游客信息涉入度均較小時，如圖3（d），旅游系統(tǒng)自然恢復(fù)狀態(tài)下的恢復(fù)效果和政府采取信息策略的最終效果大致相同，反而政府反應(yīng)越激烈，前期市場份額下降越快?？赡艿慕忉屖牵倪^度參與反而導(dǎo)致危機(jī)的進(jìn)一步擴(kuò)散，公眾對危機(jī)信息關(guān)注度增加，使事件被過度放大，導(dǎo)致前期短時間內(nèi)市場份額下降幅度更大，但是事件被放大部分會隨時間減弱，游客的風(fēng)險決策逐漸回歸到正常水平。

4.2 價格策略的影響分析

與前文分析相對應(yīng)，本文將政府的價格策略力度分為3層，通過設(shè)置不同的目的地智能體費(fèi)用水平加以反映。據(jù)中央臺視臺報道，雪鄉(xiāng)正常物價水平下的每日人均旅游費(fèi)用（/元，下同）為c=600?！把┼l(xiāng)宰客”中涉及的旅游費(fèi)用約為正常費(fèi)用的2倍，即c=1200。據(jù)此，本文設(shè)置當(dāng)政府不采取價格策略時，c=1200;政府采取高、中和低3種力度的價格策略時，分別對應(yīng)c=300，c=600和c=900，模擬雪鄉(xiāng)的市場份額動態(tài)變化，假設(shè)所有游客均能夠第一時間接收到雪鄉(xiāng)價格調(diào)整的信息（圖4），政府是否采取價格策略嚴(yán)重影響著雪鄉(xiāng)的市場份額。采取低力度的價格策略相對于不采取時，市場份額可提升1倍左右;政府所采取的價格策略力度越高，雪鄉(xiāng)市場份額提升越大;且價格策略對市場份額恢復(fù)的作用效果較平穩(wěn)，隨時間推移變化不大。然而，實(shí)際旅游活動中存在信息滯后的現(xiàn)象，價格策略的實(shí)施效果也會受到游客的接收程度、媒體報道等因素影響，因此，本文進(jìn)一步模擬了綜合考慮價格因素和信息傳播后的目的地市場份額變化情況。

4.3 恢復(fù)策略綜合評估模擬

在現(xiàn)實(shí)場景下，政府往往可能同時采取多種策略。當(dāng)政府同時采取信息策略和價格策略時，由于實(shí)施力度的不同，可能發(fā)生的策略組合可形成一個三階矩陣，共包含9種情況。圖5對比了9種可能的策略組合的游客恢復(fù)效果?？梢?，一種策略力度保持不變的情況下，另一種策略的力度越高游客恢復(fù)效果越好。但是整體而言，提高信息策略力度對于市場份額的提升效果好于價格策略，例如，觀察圖5（a）、圖5（d）和圖5（g）發(fā)現(xiàn)，在高力度信息策略的情況下，從低力度的價格策略到中力度再到高力度，市場份額分別提升1.01%和0.26%，提升幅度分別為0.14和0.03;圖5（a）、圖5（b）和圖5（c）顯示，在高力度的價格策略下，低力度的信息策略到中力度再到高力度，市場份額分別提升1.43%和0.51%，提升幅度為0.21和0.06。此外，信息策略的力度越大，游客市場份額上升的拐點(diǎn)越靠前;并且，隨著信息策略力度的增加，不同力度的價格策略恢復(fù)效果的差異進(jìn)一步被放大。

5 結(jié)論

科學(xué)有效的危機(jī)管理對于降低旅游危機(jī)事件給目的地經(jīng)濟(jì)、社會帶來的損失，促進(jìn)旅游業(yè)持續(xù)健康發(fā)展具有戰(zhàn)略意義。然而傳統(tǒng)研究對游客異質(zhì)性、旅游系統(tǒng)的動態(tài)性、開放性等特征關(guān)注不足，對市場恢復(fù)策略的有效性和適用條件缺少驗證，并且難以對策略效果及其動態(tài)演化趨勢形成預(yù)判。因此，本文以“雪鄉(xiāng)宰客”事件為例，基于多智能體建模的方法，利用多渠道互聯(lián)網(wǎng)數(shù)據(jù)，構(gòu)建了游客目的地選擇模擬系統(tǒng)，并評估了不同策略對市場恢復(fù)的影響作用。本文的理論貢獻(xiàn)在于，在旅游危機(jī)管理領(lǐng)域創(chuàng)新性地引入基于多智能體的建模方法，在考慮游客異質(zhì)性、旅游系統(tǒng)動態(tài)性與開放性的基礎(chǔ)上，構(gòu)建了游客目的地選擇行為模擬系統(tǒng)，對比研究了應(yīng)急響應(yīng)和短期恢復(fù)階段，不同力度的信息策略和價格策略及其組合對旅游市場恢復(fù)的作用以及動態(tài)演化過程，為旅游市場恢復(fù)策略定量評估提供了新的研究路徑參考，為旅游危機(jī)管理研究作出了有益的補(bǔ)充和擴(kuò)展。

本文的主要研究結(jié)論和管理啟示如下：

（1）以往的學(xué)術(shù)研究和旅游危機(jī)管理實(shí)踐中，關(guān)注重點(diǎn)往往是采取哪些策略類型，而缺少對策略實(shí)施力度及其適用邊界的探討。本文研究發(fā)現(xiàn)，對于媒體關(guān)注度和游客信息涉入度高的危機(jī)事件，采取高力度的信息策略能夠最大程度地實(shí)現(xiàn)旅游市場的恢復(fù);但是，當(dāng)媒體關(guān)注度和游客信息涉入度均比較低時，旅游系統(tǒng)自然恢復(fù)與政府采取信息策略的恢復(fù)效果大致相同，且政府反應(yīng)越激烈，前期市場份額下降越快。在管理啟示方面，對于游客信息涉入度和媒體關(guān)注度低的旅游危機(jī)事件，景區(qū)管理者可等待市場的自然恢復(fù)，在應(yīng)急響應(yīng)和短期恢復(fù)階段不必大量投入資源到信息策略中。對于游客信息涉入度和媒體關(guān)注度高的旅游危機(jī)事件，應(yīng)及時采取高力度的信息策略。盡管這樣會引起危機(jī)信息關(guān)注度增強(qiáng)，游客觀望者增多，導(dǎo)致前期短時間內(nèi)市場份額下降幅度更大，但也能夠更大范圍修復(fù)游客信任，對于更快促進(jìn)市場恢復(fù)具有幫助。

（2）受風(fēng)險感知的影響，信息策略的旅游市場恢復(fù)效果隨時間推移呈現(xiàn)先下降后上升的“U”形變化趨勢。信息策略的投入力度越高，旅游市場份額的回升拐點(diǎn)越靠前。這一特點(diǎn)在媒體關(guān)注度和游客信息涉入度越高的情況下體現(xiàn)得越為明顯。管理啟示在于，如果管理者需要盡快實(shí)現(xiàn)市場回彈，可采取高力度的信息策略。對于媒體關(guān)注度和游客信息涉入度高的危機(jī)事件，高力度的信息策略比低力度的信息策略的市場份額回升拐點(diǎn)提前10天（基于本文的案例設(shè)定，不同案例數(shù)值可能存差異），這段時間對處于旅游旺季的旅游目的地來說是十分寶貴的。但是，媒體關(guān)注度和游客信息涉入較低時，在應(yīng)急響應(yīng)和短期恢復(fù)階段，不同力度的信息策略對市場份額回升拐點(diǎn)的作用并不明顯，管理者可適當(dāng)減少信息策略的投入。

（3）信息策略對不同力度的價格策略恢復(fù)效果差異存在放大效應(yīng)。在管理實(shí)踐中可綜合運(yùn)用信息策略和價格策略，通過信息公開和積極的媒體溝通，讓更多公眾了解到景區(qū)在價格管理方面做出的努力，包括下調(diào)門票價格或門票折扣、加強(qiáng)景區(qū)內(nèi)市場價格監(jiān)管、提供專項補(bǔ)貼等，恢復(fù)游客信任，從而取得更好的市場恢復(fù)效果。

研究的局限性主要包括以下3個方面：首先，本文主要研究旅游宰客事件爆發(fā)后的應(yīng)急響應(yīng)和短期恢復(fù)策略，未來可探討長期恢復(fù)策略，例如目的地合理規(guī)劃、完善監(jiān)管體制、提升供給設(shè)施等促進(jìn)目的地長遠(yuǎn)健康發(fā)展的策略;其次，在仿真模型中，本文關(guān)注游客智能體和目的地智能體在外部環(huán)境刺激下的改變和交互作用，未來研究可引入更多的智能體，如提供景區(qū)和周邊食宿、購物、娛樂的服務(wù)商，提供交通、食宿預(yù)訂的旅游服務(wù)平臺等，使模型更完善;最后，盡管基于多智能體建模能夠更貼近現(xiàn)實(shí)地模擬游客行為，并為市場恢復(fù)策略提供定量評估，但由于旅游系統(tǒng)涉及因素復(fù)雜、一些數(shù)據(jù)獲取困難，使模型變量和參數(shù)設(shè)定難以做到精準(zhǔn)，因此，本研究主要提供了趨勢性定量預(yù)測，還未實(shí)現(xiàn)對旅游市場的精準(zhǔn)預(yù)測，這也是未來研究需繼續(xù)改進(jìn)的方向。

參考文獻(xiàn)（References）

[1] 周輝， 陳淑凌， 崔亞梅. 基于演化博弈的旅游市場監(jiān)管機(jī)制研究[J]. 系統(tǒng)工程學(xué)報， 2016， 31（5）： 618-624. ?[ZHOU Hui， CHEN Shuling， CUI Yamei. Study of supervision mechanism of tourism market based on evolutionary game model[J]. Journal of Systems Engineering， 2016， 31（5）： 618-624.]

[2] 侯國林. 旅游危機(jī)：類型、影響機(jī)制與管理模型[J]. 南開管理評論， 2005， 8（1）：78-82. [HOU Guolin. Tourism crisis： Category， influence mechanism and management model[J]. Nankai Business Review， 2005， 8（1）：78-82.]

[3] MAIR J， RITCHIE B W， WALTERS G. Towards a research agenda for post-disaster and post-crisis recovery strategies for tourist destinations： A narrative review[J]. Current Issues in Tourism， 2014， 19（1）：1-26.

[4] OKUYAMA T. Analysis of optimal timing of tourism demand recovery policies from natural disaster using the contingent behavior method[J]. Tourism Management， 2018， 64（2）： 37-54.

[5] World Tourism Organization. Crisis guidelines for the tourism industry [R]. http：// www.world-tourism.org.

[6] FAULKNER B. Towards a framework for tourism disaster management[J]. Tourism Management， 2001， 22（2）：135-147.

[7] 章小平， 任佩瑜， 鄧貴平. 論旅游景區(qū)危機(jī)管理模型的構(gòu)建[J]. 財貿(mào)經(jīng)濟(jì)， 2010（2）：130-135. [ZHANG Xiaoping， REN Peiyu， DENG Guiping. Structuring of crisis management model for scenic areas[J]. Finance & Trade Economics， 2010（2）：130-135.]

[8] ?AKAR K. Critical success factors for tourist destination governance in times of crisis： A case study of Antalya， Turkey[J]. Journal of Travel & Tourism Marketing， 2018， 35（6）： 786-802.

[9] 劉睿， 李星明. 四川旅游震后響應(yīng)的實(shí)證研究[J]. 旅游學(xué)刊， 2009， 24（11）： 25-29. [LIU Rui， LI Xingming. An empirical study on tourism response in post-quake Sichuan[J]. Tourism Tribune， 2009， 24（11）： 25-29.]

[10] LAARMAN J G， GREGERSEN H M. Pricing policy in nature-based tourism[J]. Tourism Management， 1996， 17（4）： 247–254.

[11] CAMPIRANON K， SCOTT N. Critical success factors for crisis recovery management： A case study of Phuket hotels[J]. Journal of Travel & Tourism Marketing， 2014， 31（3）： 313-326.

[12] BEIRMAN D. Crisis and post-crisis tourism destination recovery marketing strategies[J]. Education IEEE Transactions， 2009， 10（4）：255.

[13] MCKERCHER B. A chaos approach to tourism[J]. Tourism Management， 1999， 20（4）：425-434.

[14] GILBERT N， TERNA P. How to build and use agent-based models in social science[J]. Mind & Society， 2000， 1（1）： 57-72.

[15] 孟慶國， 羅杭. 基于多智能體的城市群政府合作建模與仿真——嵌入并反饋于一個異構(gòu)性社會網(wǎng)絡(luò)[J]. 管理科學(xué)學(xué)報， 2017， 20（3）：182-206. [MENG Qingguo， LUO Hang. Modeling and simulation of multi-cities government collaboration based on MAS： Embedded in and feedbacking on heterogeneous social networks[J]. Journal of Management Sciences in China， 2017， 20（3）：182-206.]

[16] GROSS D， STRAND R. Can agent-based models assist decisions on large-scale practical problems？ A philosophical analysis[J]. Complexity， 2000， 5（6）： 26-33.

[17] 黎巎. 基于Agent的景區(qū)游客行為仿真建模與應(yīng)用——以頤和園為例[J]. 旅游學(xué)刊， 2014， 29（11）： 62-72. [LI Nao. Agent-based simulation modeling of visitor behaviors at tourism attractions： The case of the Summer Palace， Beijing[J]. Tourism Tribune， 2014， 29（11）：62-72.]

[18] REINTINGER C， BERGHAMMER A， SCHMUDE J. Simulating changes in tourism demand： A case study of two German regions[J]. Tourism Geographies， 2016， 18（3）： 233-257.

[19] BALBI S， GIUPPONI C， Perez P， et al. A spatial agent-based model for assessing strategies of adaptation to climate and tourism demand changes in an alpine tourism destination[J]. Environmental Modelling & Software， 2013， 45（45）：29-51.

[20] 海林市政府. 旅游海林[EB/OL]. [2018-01-01]. http：//www.hailin.gov.cn/zjhl/lyhl/， [Hailin municipal government. Tourism in Hailin[EB/OL]. [2018-01-01]. http：//www.hailin.gov.cn/zjhl/lyhl/.]

[21] 艾媒網(wǎng). 黑龍江雙峰林場“雪鄉(xiāng)宰客”事件輿情監(jiān)測報告[EB/OL]. [2018-01-05]. https：//www.iimedia.cn/c810/60233.html， ?[iMedia. Public opinion monitoring report on the event of “rip off in Snow Country” in Shuangfeng forest farm， Heilongjiang Province [EB/OL]. [2018-01-05]. https：//www.iimedia.cn/c810/60233.html.]

[22] 黑龍江省旅游發(fā)展委員會. 黑龍江省冰雪旅游專項規(guī)劃（2017-2025） [EB/OL]. [2017-09-04]. http：//gkml.dbw.cn/web/CatalogDetail/A4B05BDC-1969009F. [Heilongjiang Tourism Development Committee. Snow and ice tourism special plan of Heilongjiang province （2017-2025） [EB/OL]. [2017-09-04]. http：//gkml.dbw.cn/web/Catalog-Detail/A4B05BDC1969009F.

[23] 許春曉， 周美靜， 王甫園. 旅游目的地選擇意愿的影響因素——以韶山為例[J]. 經(jīng)濟(jì)地理， 2015， 35（4）： 178-185. [XU Chunxiao， ZHOU Meijing， WANG Fuyuan. Factors influencing tourists choice of destination： A case study of Shaoshan[J]. Economic Geography， 2015， 35（4）： 178-185.]

[24] 李瑋娜. 國外經(jīng)典旅游目的地選擇模型述評[J]. 旅游學(xué)刊， 2011， 26（5）：53-62. [LI Weina. A review of the choice models of overseas classical tourist destinations[J]. Tourism Tribune， 2011， 26（5）：53-62.]

[25] 趙現(xiàn)紅. 基于游客特性的旅游目的地離散選擇實(shí)證研究——以三大口岸中轉(zhuǎn)型入境游客為例[J]. 旅游學(xué)刊， 2009， 24（12）：60-65. [ZHAO Xianhong. An empirical study of dispersed choice in tourism destinations based on tourist specific properties： A case study of transit inbound tourists in three ports[J]. Tourism Tribune， 2009， 24（12）：60-65.]

[26] RUGG D. The choice of journey destination： A theoretical and empirical analysis[J]. Review of Economics & Statistics， 1973， 55（1）：64-72.

[27] NICOLAU J L， M?S F J. The influence of distance and prices on the choice of tourist destinations： The moderating role of motivations[J]. Tourism Management， 2006， 27（5）： 982-996.

[28] 卞顯紅. 旅游者目的地選擇影響因素分析[J]. 地理與地理信息科學(xué)， 2003， 19（6）： 83-88. [BIAN Xianhong. Affecting factors on choice of tourist destination[J]. Geography and Geo-Information Science， 2003， 19（6）： 83-88.]

[29] TONN G L， GUIKEMA S D. An agent-based model of evolving community flood risk[J]. Risk Analysis， 2017， 38（6）：1258-1278.

[30] 馬秋芳， 孫根年， 謝雪梅. 基于虛擬變量回歸的旅游花費(fèi)模型構(gòu)建[J]. 統(tǒng)計與決策， 2008（22）： 62-64. [MA Qiufang， SUN Gennian， XIE Xuemei. Construction of tourism cost model based on virtual variable regression[J]. Statistics and Decision， 2008（22）： 62-64.]

[31] 孫丹丹， 徐曉燕. 基于agent仿真的在線客戶評論傳播機(jī)制研究[J]. 運(yùn)籌與管理， 2013（3）： 154-161. [SUN Dandan， XU Xiaoyan. Research on propagation mechanism of online consumer reviews based on agent simulation[J]. Operations Research and Management Science， 2013（3）： 154-161.]

[32] VENGESAYI S. A conceptual model of tourism destination competitiveness and attractiveness[C]// A Celebration of Ehrenberg and Bass： Marketing Knowledge， Discoveries and Contribution. Australian and New Zealand Marketing Academy Conference， 2003： 637-647.

[33] 張紅賢， 游細(xì)斌， 白偉杉， 等.目的地旅游吸引力測算及相關(guān)因素分析[J]. 經(jīng)濟(jì)地理， 2018， 38（7）： 199-208. [ZHANG Hongxian， YOU Xibin， BAI Weishan， et al. Measurement of destination tourism attractiveness and influence factors[J]. Economic Geography， 2018， 38（7）： 199-208.]

[34] 魏玲， 郭新朋. 多主體視角下移動社交網(wǎng)絡(luò)輿論危機(jī)信息傳播機(jī)理研究[J]. 情報科學(xué)， 2019， 37（1）： 143-149. [WEI Ling， GUO Xinpeng. Research on the mechanism of public information network crisis information dissemination under multi-agent perspective[J]. Information Science， 2019， 37（1）： 143-149.]

[35] 鄒宏霞， 羅芬， 向晶. 信息涉入差異對旅游目的地行前形象影響分析[J]. 經(jīng)濟(jì)地理， 2010， 30（8）： 1395-1399. [ZHOU Hongxia， LUO Fen， XIANG Jing. Involvement information difference on pre-visit destination image formation[J]. Economic Geography， 2010， 30（8）： 1395-1399.]

[36] WAHLBERG A A F， SJOBERG L. Risk perception and the media[J]. Journal of Risk Research， 2000， 3（1）： 31-50.

[37] MOUTINHO L. Consumer behavior in tourism[J]. European Journal of Marketing， 1987， 21（10）： 5-44.

[38] CROMPTON J L， ANKOMAH P K. Choice set propositions in destination decisions[J]. Annals of Tourism Research， 1993， 20（3）： 461-476.

[39] MORLEY C L. Tourism demand： Characteristics， segmentation and aggregation[J]. Tourism Economics， 1995， 1（4）：315-328.

[40] JOHNSON P A， SIEBER R E. An agent-based approach to providing tourism planning support[J]. Environment and Planning B： Planning and Design， 2011， 38（3）： 486-504.

[41] 董春曉， 慕玲. 基層執(zhí)法人員的信任困境及其破解之道——從 “宰客”的認(rèn)知說起[J]. 中國行政管理， 2016（2）：117-120. [DONG Chunxiao， MU Ling. The trust dilemma of street level bureaucrat and solving ways based on the “rip off” cognition[J]. Chinese Public Administration， 2016（2）： 117-120.]

[42] BECKEN S， JIN X， ZHANG C， et al. Urban air pollution in China： Destination image and risk perceptions[J]. Journal of Sustainable Tourism， 2016， 25（1）：1-18.

[43] PIZZITUTTI F， MENA C F， WALSH S J. Modelling tourism in the galápagos islands： An agent-based model approach[J]. Journal of Artificial Societies and Social Simulation， 2014， 17（1）： 14.

[44] 李莉， 張捷. 互聯(lián)網(wǎng)信息評價對游客信息行為和出游決策的影響研究[J]. 旅游學(xué)刊， 2013， 28（10）： 23-29. [LI Li， ZHANG Jie. Impact of network information evaluation on tourists information-related behavior and travel decisions [J]. Tourism Tribune， 2013， 28（10）： 23-29.]

[45] BUHALIS D， LAW R. Progress in information technology and tourism management： 20 years on and 10 years after the Internet—The state of eTourism research[J]. Tourism Management， 2008， 29（4）： 609-623.

[46] 王煉， 賈建民. 突發(fā)性災(zāi)害事件風(fēng)險感知的動態(tài)特征——來自網(wǎng)絡(luò)搜索的證據(jù)[J]. 管理評論， 2014， 26（5）：169-176. [WANG Lian， JIA Jianmin. Risk perception dynamics in unexpected disaster events： Evidence from online search[J]. Management Review， 2014， 26（5）： 169-176.]

[47] GEVA T， OESTREICHER-SINGER G， EFRON N， et al. Using forum and search data for sales prediction of high-involvement products[J]. MIS Quarterly， 2017， 41（1）： 65-82.

Abstract： As a mainstay of the economy， tourism plays an increasingly important role in promoting economic growth and employment. However， though tourism overall is booming， it is increasingly affected by various uncertain risk factors. Tourism is affected by external emergencies and also threatened by crises caused by internal factors of tourism. In recent years， the phenomenon of overcharging tourists has become increasingly common in China， and it is a severe problem in the tourism market. The rapid spread of information about overcharging arouses a large-scale public response， and the damage rapidly increases. The government has to make related decisions quickly. Time restraints， great social pressure， and the high cost of trial-and-error solution create problems for tourism crisis management. Therefore， how to adopt a systematic， effective strategy to restore the tourism market as soon as possible after overcharging tourists is an urgent problem to be solved in this regard.

Using agent-based modeling， a simulation method， and data from various sources， this paper develops a model for tourist destination selection from the perspectives of micro-heterogeneous decision making and tourist-destination interactions. We used NetLogo software to simulate the model and show the dynamic recovery process of the destination. In that way， we compared market recovery effects and the dynamic evolution trends for different levels of information strategies and price strategies. We also discuss optimization of combined recovery strategies.

The following findings emerged. First， the recovery effect of information strategies showed a ? ? ? U-shaped trend over time. The effect of information strategies displayed significant differences under different conditions of media attention and tourist information involvement. When overcharging cases receive high media attention and high tourist information involvement， a high-degree information strategy better promotes recovery of the tourism market. By contrast， when overcharging cases receive a low degree of media attention and tourist information involvement， it is better to await natural recovery of the tourism market. Second， a price strategy can stimulate an increase in the market share of a destination; the recovery with a price strategy is also relatively stable with time. When information strategy and price strategy are applied simultaneously and the level of one strategy remains unchanged， the higher the level of the other strategy the better is the recovery effect of the tourism market. However， if resources are limited and only one strategy can be adopted to a high degree， it is better to choose a high-level information strategy. The information strategy amplifies the difference in the recovery effect of price strategies. Further， an information strategy can revive the tourism market in advance.

This article focuses on the interaction of elements within the tourism system and the changes to the system with stimulation by the external environment; the paper reveals the general law of the dynamic evolution of the recovery effect of different types， intensities， and combinations of recovery strategies. From the perspective of dynamic evolution， this article predicts future trends for implementing different levels of strategies and the effect of combining strategies for tourism， thereby adding to the literature on tourism crisis management.

Keywords： overcharging tourists; agent-based model; market recovery; dynamic evolution

[責(zé)任編輯：劉 ? ?魯;責(zé)任校對：王 ? ?婧]