论文部分内容阅读
[摘 要]近年来，宰客事件愈演愈烈，成为旅游市场的顽疾之一。文章运用基于多智能体建模方法，融合多源数据，从微观异质性游客决策过程和游客-目的地间交互作用的视角，构建游客目的地选择模型，在此基础上对比研究了不同力度的信息策略和价格策略的市场恢复效果及其动态演化趋势，并探讨了恢复策略的组合优化问题。研究发现，信息策略的恢复效果随时间演化呈现先下降后上升的“U”形变化趋势，并且在不同媒体关注度和游客信息涉入度的宰客事件中，信息策略的实施效果呈现显著的差异性。价格策略在时间维度上的恢复过程较为平稳;当两种策略同时实施时，信息策略对不同力度价格策略恢复效果的差异存在放大效应，并且能使旅游市场提前回温。
[关键词]旅游宰客;多智能体建模;市场恢复;动态演化
[中图分类号]F59
[文献标识码]A
[文章编号]1002-5006（2020）08-0048-13
Doi： 10.19765/j.cnki.1002-5006.2020.08.011
引言
旅游业在促进区域商业活动、提高经济收入和创造就业等方面发挥着重要作用。然而，旅游信息的不对称性、旅游消费的低重复性等特点为宰客现象在旅游市场的蔓延提供了温床[1]。2015年10月，青岛“天价虾”事件轰动全国;2016年2月，哈尔滨“天价鱼”事件也备受热议;2017年12月，“雪乡宰客”事件再次刷爆网络。宰客现象是旅游市场中被游客普遍抱怨的顽疾之一，不少游客有过体验，这些宰客事件信息经过各类媒体扩散，迅速升温发酵，在大范围内引发公众的共鸣和强烈反应，可能导致潜在游客改变或取消旅游计划[2-3]，引起旅游市场和相关行业的经济下滑，甚至引发社会问题[4]。因此，宰客事件爆发后，如何采取科学有效的策略尽快恢复旅游市场，是旅游业危机管理亟须解决的问题。
旅游危机是指影响游客对旅游目的地的旅游信心，扰乱旅游市场持续正常运行的非预期性事件[5]。为了有效管理危机，一些组织机构和学者根据危机的生命周期对危机管理进行了阶段划分。Faulkner将旅游危机管理划分为6个阶段，事前预防阶段、前兆阶段、应急响应阶段、短期恢复阶段、长期恢复阶段和达到新稳定状态的解决阶段[6]。不同阶段的危机管理重点存在差异。本文主要针对危机爆发后的应急响应和短期恢复阶段，探讨旅游市场恢复策略，原因在于：一方面，该阶段各类危机信息快速传播引起公众广泛讨论，危机事件不断发酵，危害程度迅速增加[7]，如未及时采取措施，公众刻板的负面旅游目的地形象一旦形成，后期心理修复的成本巨大;另一方面，由于时间紧迫，巨大的社会压力和高昂的试错成本导致管理者容易陷入决策困境[8]，如果不能实现对危机的有效干预，或者干预策略失误，将导致危机影响的进一步扩大。
梳理现有文献发现，旅游危机管理策略可大致分为3类：第一类是旅游功能修复类策略，如景区重建[3]、产品结构调整[9]、引进服务商[1]、折扣和价格补贴[10];第二类是心理修复类策略，如目的地形象声誉修复、信心恢复[3]、定位和营销[11];第三类是信息沟通管理类策略，如信息公开、媒体沟通[12]等。在应急响应和短期恢复阶段，价格策略和信息策略发挥着重要作用。Okuyama通过问卷调研发现，信息策略和价格策略是旅游危机事件发生后短期恢复的重要策略[4]。Laarman和Gregersen对以往文献进行综述，指出政府通过价格监管、补贴等形式使游客总体的旅游费用维持在一定范围之内，有助于短期内快速吸引更多游客[10]。Beirman基于案例研究了信息沟通在游客恢复过程中发挥的重要作用[12]。Mair等认为，提供及时准确的信息是应急响应的重要方式[3]，因为广泛的媒体报道会影响游客的风险感知[11]，进而影响游客的目的地选择行为。
目前，关于旅游危机管理策略的研究已经有了丰硕的成果，但是其在推演过程和实践应用方面仍然存在着一些局限：（1）对游客的异质性考虑不足。已有研究往往将游客视为一个整体或划分为少量细分市场，而在实际旅游活动中，游客年龄、性别、经济条件、旅游偏好等差异带来的决策行为上的不同会对旅游市场管理策略实施的效果具有重要影响。（2）难以体现旅游系统的开放、动态特征。现有研究往往建立在有序、封闭、静态的假设基础上[13]，但事实上，系统内部各个部分之间、系统内部与外部环境之间会不断地在一定时间和空间范围内发生相互作用。（3）目前，该领域文献仍以定性研究为主，少量文献采用了文献梳理或基于某个案例的定量分析方法[3]。总体而言，难以验证市场恢复策略的有效性和适用条件，难以预估策略引起的市场反应的演变发展动态过程。
为了克服上述局限，本文尝试结合复杂性科学理论与建模方法，采用多智能体建模（agent-based model， ABM）技术探讨应急响应和短期恢复阶段的旅游危机管理策略，并对策略的适用条件和实施效果进行评估。基于多智能体建模只需考虑极少的假设条件，就能对复杂系统进行高度还原的仿真模拟[14]。并且，与传统模型相比，基于多智能体建模能够充分考虑个体间的异质性和行为的适应性[15]，展现智能体间的交互性[16]。基于多智能体建模的方法目前已经在游客行为、景区营销等研究领域中获得了成功应用。例如，黎巎采用基于多智能体建模方法模拟了颐和园内的客流分布[17];Reintinger等运用基于多智能体模型评估了人口统计因素和社会经济因素的变化对德国两个旅游区旅游需求的影响[18];Balbi等针对欧洲某滑雪场建立多智能体模型，评估各种经营策略的实施效果，研究发现增加非滑雪类旅游项目是促进该滑雪场未来发展的最佳选择[19]。但是该方法在旅游危机管理领域尚处于起步阶段，迫切需要更多深入的研究。
本研究期望达到以下两个目的：第一，使用基于多智能体建模方法构建游客目的地选择模型，充分反映游客异质性、旅游系統动态发展和交互作用过程，深入理解游客对危机事件和不同策略的反应;第二，仿真模拟不同策略实施后的旅游市场需求的动态演化过程，帮助景区管理者对策略效果形成预判，用更低的试错成本，找到科学有效的旅游恢复策略组合，遏制旅游危机蔓延，促进旅游市场更快恢复。 1 案例背景
雪乡位于黑龙江省海林市，是黑龙江省冰雪旅游的主打品牌之一[20]，国家4A级景区。2016年，雪乡全年旅游产业收入2.3亿元，带动相关产业收入为5.0亿元，2017年旅游产值高达6.1亿，强有力地推动了区域经济的发展1。2017年12月29日，一篇名为《雪乡的雪再白也掩盖不掉纯黑的人心！别再去雪乡了！》的公众号推文引发了“雪乡宰客”话题的讨论。此后，中央电视台、《人民日报》《北京青年报》等各类媒体对该事件进行大量报道，引发舆情高峰。根据艾媒网舆情报告[21]，“雪乡宰客”事件中，网友大多持负面评价，普遍结合自身旅游体验对该地旅游行业存在的各类问题提出批评和质询，诸多游客表示将取消雪乡旅游计划，甚至很多言论带有地区符号，“东北”成为舆情热词，引发地域之争。“雪乡宰客”作为最近一起引爆网络舆论的宰客事件，在引发原因、事件演化過程和政府响应策略等方面都与以往影响力较大的几起宰客事件有诸多相似之处，具有典型代表性，因此，本文选择“雪乡宰客”事件作为案例背景。
为了尽可能模拟还原“雪乡宰客”事件对目的地旅游市场的影响，本文选取了哈尔滨（市区）、亚布力、雪乡和镜泊湖4个目的地，构建旅游竞争市场模拟系统。哈尔滨、亚布力、雪乡和镜泊湖均为黑龙江省冰雪产业的先行示范区“哈亚牡”地区的知名目的地[22]，地理位置接近，游客来往频繁。4个目的地既相互关联又彼此竞争，其中，哈尔滨是一座国际时尚冰雪都市，各类旅游资源丰富，也是黑龙江省最大的客流集散中心;亚布力位于尚志市，距哈尔滨市198千米、牡丹江市120千米，以滑雪旅游度假为特色，是国家4A级景区，拥有国家5S级滑雪场;镜泊湖位于宁安市，与雪乡所在的海林市均属于牡丹江市下辖县级市，镜泊湖是中国最大、世界第二大高山堰塞湖，被评为世界地质公园、国家5A级旅游区。哈尔滨-亚布力-雪乡-镜泊湖滑雪旅游度假带是黑龙江省重点打造的一梯队黄金冰雪旅游线路。该线路每年的旅游旺季为冬季，所以本文主要研究4个目的地冬季（12月—次年2月）的旅游市场情况。为了体现旅游系统的开放性特征，在模拟中游客可以选择上述4个目的地，也可选择黑龙江省的其他区域进行游览，系统只跟踪记录选择了上述4个目的地的游客数据，选择了其他目的地的游客视为退出模拟系统。
2 模型设计
2.1 游客智能体
旅游目的地选择是游客多阶段决策的行为过程[23]，影响旅游决策的因素众多，主要可归结为两个方面[24]：来自旅游者自身的内部因素和来自旅游目的地的外部因素。主要影响因素包括消费偏好[25]、预算资金[19]、时间限制[26]、旅游价格[27]、旅游产品质量[28]和风险感知[29]等。因此，对于游客智能体，本文主要设置了以下4个属性：（1）偏好（ai）：游客智能体拥有不同的活动偏好，目的地与游客偏好相符的景点或活动评分越高，吸引游客选择该目的地的可能性越大。（2）风险感知（Rpi）：是指游客对目的地可能发生各种风险的综合认知。（3）预算（Tci）：是游客愿意为此次旅游行付出的最高资金，主要指在目的地内的全部花费。（4）计划游玩时间（Tdi）：是指游客为完成此次旅游所愿意花费的最大天数。由于游客的预算、计划游玩时间和风险感知会受到人口统计学特征、客源地等多种因素的综合影响。如马秋芳等[30]认为旅游花费受到客源地、性别、婚姻等多达15种因素的影响。各因素分布是相互独立且随机的，单个因素难以对决策起到决定性作用。在观测对象个体数量较大时（游客数量N>1000 000），依据大数定理和中心极限定理，属性的数值分布可以近似视为正态分布，这一处理方式在建模中得到了广泛的采用。如Balbi等[19]在评估滑雪场营销策略效果时将游客对几类滑雪设施的偏好阈值设为正态分布;孙丹丹和徐晓燕将客户对产品的初始认知度也作为正态分布处理[31]。因此，本文假设游客的预算、计划游玩时间和游客对目的地的风险感知均服从正态分布，来充分反映游客之间的异质性。
2.2 目的地智能体
每个目的地内均包含多个景点，本文根据格尔德纳的景区分类理论，按照景点主要资源类型将景点划分为文化、自然、节庆、游憩、娱乐等5个活动类型。每个目的地均包含上述5类活动中的一种或多种。与游客智能体相对应，目的地智能体设置了吸引力（Si）、费用水平（ci）、最佳游玩天数（di）3个属性。Vengesayi认为，目的地吸引力反映了游客对目的地满足游客需求程度的感知能力[32]，一个目的地满足游客需求的程度越高，越能够吸引游客。张红贤等研究表明，目的地吸引力与接待游客量呈显著的正比关系，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历史客流量比例和各类活动在线评论评分共同反映，且吸引力随游客反馈评价动态变化。费用水平是指每位游客在某一目的地内的历史日均花费水平。最佳游览时间根据“百度旅游”给出的建议游玩天数确定。
2.3 旅游市场恢复策略
信息策略是应急响应和短期恢复阶段普遍采用的旅游危机管理策略。积极的信息策略对于降低游客风险感知、消除危机的负面影响发挥着关键作用[3，12]。分析我国影响力较大的旅游宰客事件资料，发现在实践中政府普遍采取了信息策略，按照其投入力度可分为3个层次：低力度的信息策略，如有关部门调查涉事企业，接受媒体采访，向大众公布处理结果;中力度的信息策略，如政府召开专题会议，多次强调相关管理规定和条例，组织媒体进行报道;高力度的信息策略，如政府官方发言人或相关部门领导积极与媒体沟通，主动在公开场合作出解释，频繁发布宣传正面目的地形象的信息。
危机信息传播过程涉及的主体主要包括政府、媒体和公众[34]，所以信息策略的实施效果不仅受到政府投入力度的影响，也受信息传播媒介和接收者的制约。邹宏霞等指出，信息涉入的差异对于游客对目的地的认知具有重大影响[35]。Wahlberg和Sjoberg的研究也发现，媒体报道、游客对旅游危机事件的熟悉和关注程度等会影响游客的风险感知[36]，进而影响游客的目的地选择行为。因此，本模型引入媒体关注度、游客信息涉入度两个变量，按其程度高低区分组成4种情境，研究不同情境下政府信息策略的有效性。 价格策略也是应急响应和短期恢复中常用的旅游市场恢复策略，对于游客量恢复具有重要作用[10，13]。在我国，政府的价格策略通常包括下调门票价格或门票折扣、加强景区内市场价格监管、提供专项补贴等多种形式，目的是为了将游客在目的地内的基本旅游费用控制在一定范围内[9]，降低旅游门槛，吸引更多游客。根据旅游目的地每日人均费用水平的降低程度，模型将价格策略分为高、中、低3种实施力度。本文将分析不同力度下这两种恢复策略的实施效果，模拟可能出现的策略矩阵，探讨两种策略3个力度下的组合优化问题。
2.4 游客行为决策规则
国内外关于目的地选择模型的代表性成果主要有旅游决策过程模型[37]、选择域模型[38]、计划行为理论模型、基于随机效用理论的离散选择模型[39]等。旅游决策过程模型是游客主体视角的多阶段理性决策过程，在解释游客目的地选择决策中发挥着重要作用。本文根据经典的五阶段模型将游客目的地选择过程分为5个阶段，分别为：确定备选目的地、备选目的地评估（包括吸引力评估、费用评估、风险感知评估和游玩天数评估）、访问目的地、离开目的地、反馈评价。
模型框架如图1所示。每个目的地智能体具有不同的吸引力水平、最佳游玩天数以及费用水平。游客智能体则结合自身的活动偏好、计划游玩时间、预算、风险感知进行评估，做出是否选择以及选择哪个候选目的地的决策。游客智能体离开目的地后，以一定的概率对旅游目的地进行反馈评价，改变目的地原吸引力评分。基于多智能体模型可通过改变模型参数来模拟一种情境的发生[40，43]。宰客是指以非法手段获得消费者所不能接受的过高利润的行为[41]，宰客事件影响的关键是促使人们形成对旅游目的地“高风险”的预判[42]，进而影响到旅游决策。因此，本文通过改变游客风险感知、目的地费用水平等属性参数来模拟旅游宰客事件发生情境。信息策略和价格策略分别作用于游客智能体的风险感知和目的地智能体的费用属性参数。
假设任意一名游客T，其活动偏好为a，游玩预算为Tc，计划游玩天数为Td，当前游玩天数为Pd。
（1）选择候选目的地。系统内存在N个候选目的地，根据历史游客接待量，设置不同的被选择概率。目的地Di的被选择概率为P（Di），且[i=1NPDi=1]。游客T按照既定概率随机选择一个目的地作为其候选目的地Dc。之后，游客T针对目的地Dc按顺序展开评估，若一项评估通过即进入下一项，未通过则重新选择候选目的地。当系统内目的地均不能满足需求时，游客T离开仿真系统。
（2）吸引力评估。系统认为目的地与游客偏好相符的活动评分越高，游客对其吸引力评估越高。因此，假设候选目的地Dc的活动a的评分为Sa，活动a的最高可能评分为Smax，则候选目的地Dc有P1=Sa/Smax的概率通过游客T的吸引力评估，进入（3）;有P2=1-P1的概率重新选择候选目的地，返回（1）。
（3）风险感知评估。系统假设游客的风险感知服从N（μr， σr）的正态分布，假设游客T当前的风险感知为Rp，系统内的风险感知阈值为Rt，当Rp < Rt时，游客风险感知处于可接受水平，进入（4），否则返回（1）。
（4）费用评估。假设候选目的地Dc的最佳游玩天数为d，日均费用为c，当[Tc-c×d≥0]且[Td≥d]时，游客访问候选目的地，進入（5），否则返回（1）。
（5）访问目的地。游客T访问通过上述评估条件的目的地，随单位仿真时间的变化更新其实际驻留天数dt，当dt=d时，进入（6）。
（6）离开目的地。游客在目的地停留的第d天，更新游客游玩预算Tc’=Tc-c×d，更新计划游玩天数为Td’=Td-d。
（7）反馈评价。游客在离开目的地后，有P（c）的概率进行反馈评价。游客对目的地Dc的活动a的具体评分采用5级评分制，即i∈{1，2，3，4，5}的概率为P（i），且[i=15P（i）=1]。新一周期的目的地活动评分Slater由前一周期的基础评分Sbefore和游客的反馈评分Stourists共同决定，即Slater=Sbefore+（1-β）Stourists，其中β是权重分配系数。
（8）检查游玩天数。当游客剩余的计划游玩天数不小于未选目的地中最小的最佳游玩天数，即Td≥min{d1，d2，…，dn}时，游客可再次重新随机选择候选目的地。
3 仿真系统设置与检验
3.1 仿真环境及相关参数设置
NetLogo软件是实现多智能体建模的常用仿真平台，操作简单，功能强大，并且能够以图形化或者数据统计的形式直观地展示仿真过程，研究者可根据需要自行设计软件界面和数据输出方式。本文使用NetLogo 6.0.3软件进行模型仿真，模拟游客每年冬季（12月—次年2月）前往4个目的地的旅游行为。系统以天作为最小时间单位，3个月为1周期，时间跨度6个周期。每个周期初对游客智能体初始化。游客通过既定决策规则选择是否进入系统，系统中的游客选择某个或多个目的地进行游玩，游客离开系统后，系统自动更新游客智能体和目的地智能体的属性参数，同时输出各目的地当日游客到达人数和累计到达人数。本文的数据来源除官方统计数据外，还收集了携程网、百度旅游、百度指数等平台的互联网数据。模型主要参数的数据来源、计算方式、初始仿真参数如表1所示。其中，携程网中相关目的地景点信息、在线评论和游记等数据通过Python编程环境下的requests库和beautifulsoup 4库定向采集，共采集游记2250篇，评论53 644条。
仿真系统只需设置初始游客智能体投入量，就可以根据既定规则自动完成后续模拟，输出仿真结果。鉴于4个目的地具体游客数量未有官方数据公布，而几个目的地又均属于区域内知名目的地，拥有较高的网络关注度，已有研究表明，在线评论量与销量存在正向相关关系，在线评论量可作为销量的预测因子[47]，因此，为了尽可能地构建贴近真实情况的仿真环境，本文以各目的地所属地（县）级市《国民经济和社会发展统计公报》中公布的全年总接待旅游人数为基础，乘以目的地每年开放天数比例，再使用携程网中各目的地的在线评论数量在对应地（县）级市所有目的地在线评论总量中的占比，进行比例划分，最终得出各目的地的近似游客量，用于仿真模型游客智能体投入数量的初始化。受系统负荷和运行效率限制，本文初始设置20 000个游客智能体，每个游客智能体代表现实中具有相似特征的2500名游客。同时，考虑到旅游市场中游客的自然增长现象，系统依据黑龙江省近3年（2015—2017年）平均游客量增长百分比，设置每年15%的自然增长率。 3.2 仿真系统验证
仿真系统验证主要包括概念结构测试和模拟输出测试[43]。首先，设置5个单位的游客智能体，观察每个游客智能体的行为是否符合预期规则以及各模块数据输出是否吻合;然后变换系统内关键属性的仿真参数值来检验模型灵敏度。100次独立实验结果表明，程序运行正确，费用、风险感知等参数能够引起仿真系统各目的地游客数量的灵敏变化，系统可以满足研究需要。模型输出的有效性和稳健性检验使用2012—2016年4个目的地的游客量经验数据与仿真数据的对比来完成，取20次系统运行结果的平均值来控制仿真输出不确定性的影响。图2分别展示了2012—2016年冬季，雪乡游客量和市场份额的经验数据与模拟数据的对比。如图2所示，除个别年份雪乡游客市场骤变外，系统整体模拟效果良好，其中，2013年受在雪乡取景的综艺节目《爸爸去哪儿》热播的影响，雪乡知名度飙升，所以仿真值与验数据间误差较大。可见，本文的变量选取、规则设定和参数设置可以较好地模拟游客的目的地选择行为。
表2展示了4个目的地详细的经验数据、实际数据和相对误差。可见，在本文的模型参数设置和仿真环境下，仿真数据与经验数据之间基本呈相同的变化态势，误差也被控制在一定范围内，最大相对误差不超过23%。且市场份额的仿真误差比绝对游客量的更小。为了进一步检验游客量数值变化是否会影响目的地市场份额仿真结果输出，本文将初始游客量调整为原实验的50%再次进行检验，对比发现，两次模拟结果基本一致。这是因为仿真模型中目的地属性参数和游客决策过程均遵从既定规则，在目的地可承载的范围内，目的地市场份额不受系统内总游客数量变化的影响。因此，下文主要基于市场份额进行研究。同时，市场份额还可以更加直观明了地反映市场情况，减少自然增长趋势的干扰。
4 仿真结果分析
4.1 信息策略的影响分析
旅游业是一个信息敏感型产业[44]，旅游者的出行决策强烈依赖于信息搜索，互联网已成为当前人们获取旅游信息的最重要渠道[45]。王炼和贾建民研究发现，网络搜索可作为刻画公众风险感知动态特征的指标[46]。基于百度搜索引擎的海量数据，百度指数能够反映某关键词在百度的搜索规模。观察“雪乡宰客”的百度指数，其变化过程与指数分布类似，且随时间衰减。即宰客事件爆发后，公众提交网络搜索请求的过程是一个泊松过程，第k次随机事件与k+1次随机事件出现的时间间隔服从指数分布[46]。假设游客的风险感知服从正态分布，保持标准差不变，宰客事件爆发后游客的风险感知均值在原基础上受媒体关注度、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，且这些因素的作用随时间而削弱。参考孙丹丹和徐晓燕[31]在研究网络口碑对顾客认知影响时的公式推导过程，修正后的风险感知均值如下：
[μ’=μ+s×w×e-（p+0.05）t] （1）
其中，μ’表示宰客事件爆发后游客风险感知的均值，μ表示宰客事件爆发前游客的风险感知均值，s表示媒体关注度，w表示游客信息涉入度，p表示 政府恢复策略的力度，t表示距开始采取恢复策略的天数。
本文将媒体关注度和游客信息涉入度分为高低两组，模拟现实中高媒体关注度、高游客信息涉入度（记为A1），高媒体关注度、低游客信息涉入度（记为A2），低媒体关注度、高游客信息涉入度（记为A3）和低媒体关注度、低游客信息涉入度（记为A4）4种情境。通过对实际“雪乡宰客”百度指数的拟合，设定p=0，p=0.05，p=0.15和p=0.25分别对应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。图3展示了4种情境下，政府不同力度信息策略的市场恢复的效果。
综合观察图3（a）和图3（d），信息策略使目的地市场份额出现先下降再上升后达到稳定状态的“U”形趋势;当媒体关注度和游客信息涉入度越高时，信息策略的恢复效果越明显。但是，宰客事件爆发后不论政府采取多大力度的信息策略进行补救，仍然难以达到未发生宰客前的市场份额，说明旅游宰客事件会在一定时间内对于当地旅游业发展产生难以磨灭的负面影响。在高媒体关注度和高游客信息涉入度的情况下，如图3（a）所示，高力度的信息策略不仅能最大程度地恢复目的地市場份额，而且能使市场份额回升拐点提前，并更早达到稳定状态。如图3（b）和图3（c）所示，在影响力一般的宰客事件中，积极的信息策略虽然会导致前期短时间内市场份额下降幅度增大，但也能够更大范围修复游客信任，对于更快促进市场恢复具有帮助。但值得注意的是，在媒体关注度和游客信息涉入度均较小时，如图3（d），旅游系统自然恢复状态下的恢复效果和政府采取信息策略的最终效果大致相同，反而政府反应越激烈，前期市场份额下降越快。可能的解释是，政府的过度参与反而导致危机的进一步扩散，公众对危机信息关注度增加，使事件被过度放大，导致前期短时间内市场份额下降幅度更大，但是事件被放大部分会随时间减弱，游客的风险决策逐渐回归到正常水平。
4.2 价格策略的影响分析
与前文分析相对应，本文将政府的价格策略力度分为3层，通过设置不同的目的地智能体费用水平加以反映。据中央台视台报道，雪乡正常物价水平下的每日人均旅游费用（/元，下同）为c=600。“雪乡宰客”中涉及的旅游费用约为正常费用的2倍，即c=1200。据此，本文设置当政府不采取价格策略时，c=1200;政府采取高、中和低3种力度的价格策略时，分别对应c=300，c=600和c=900，模拟雪乡的市场份额动态变化，假设所有游客均能够第一时间接收到雪乡价格调整的信息（图4），政府是否采取价格策略严重影响着雪乡的市场份额。采取低力度的价格策略相对于不采取时，市场份额可提升1倍左右;政府所采取的价格策略力度越高，雪乡市场份额提升越大;且价格策略对市场份额恢复的作用效果较平稳，随时间推移变化不大。然而，实际旅游活动中存在信息滞后的现象，价格策略的实施效果也会受到游客的接收程度、媒体报道等因素影响，因此，本文进一步模拟了综合考虑价格因素和信息传播后的目的地市场份额变化情况。 4.3 恢复策略综合评估模拟
在现实场景下，政府往往可能同时采取多种策略。当政府同时采取信息策略和价格策略时，由于实施力度的不同，可能发生的策略组合可形成一个三阶矩阵，共包含9种情况。图5对比了9种可能的策略组合的游客恢复效果。可见，一种策略力度保持不变的情况下，另一种策略的力度越高游客恢復效果越好。但是整体而言，提高信息策略力度对于市场份额的提升效果好于价格策略，例如，观察图5（a）、图5（d）和图5（g）发现，在高力度信息策略的情况下，从低力度的价格策略到中力度再到高力度，市场份额分别提升1.01%和0.26%，提升幅度分别为0.14和0.03;图5（a）、图5（b）和图5（c）显示，在高力度的价格策略下，低力度的信息策略到中力度再到高力度，市场份额分别提升1.43%和0.51%，提升幅度为0.21和0.06。此外，信息策略的力度越大，游客市场份额上升的拐点越靠前;并且，随着信息策略力度的增加，不同力度的价格策略恢复效果的差异进一步被放大。
5 结论
科学有效的危机管理对于降低旅游危机事件给目的地经济、社会带来的损失，促进旅游业持续健康发展具有战略意义。然而传统研究对游客异质性、旅游系统的动态性、开放性等特征关注不足，对市场恢复策略的有效性和适用条件缺少验证，并且难以对策略效果及其动态演化趋势形成预判。因此，本文以“雪乡宰客”事件为例，基于多智能体建模的方法，利用多渠道互联网数据，构建了游客目的地选择模拟系统，并评估了不同策略对市场恢复的影响作用。本文的理论贡献在于，在旅游危机管理领域创新性地引入基于多智能体的建模方法，在考虑游客异质性、旅游系统动态性与开放性的基础上，构建了游客目的地选择行为模拟系统，对比研究了应急响应和短期恢复阶段，不同力度的信息策略和价格策略及其组合对旅游市场恢复的作用以及动态演化过程，为旅游市场恢复策略定量评估提供了新的研究路径参考，为旅游危机管理研究作出了有益的补充和扩展。
本文的主要研究结论和管理启示如下：
（1）以往的学术研究和旅游危机管理实践中，关注重点往往是采取哪些策略类型，而缺少对策略实施力度及其适用边界的探讨。本文研究发现，对于媒体关注度和游客信息涉入度高的危机事件，采取高力度的信息策略能够最大程度地实现旅游市场的恢复;但是，当媒体关注度和游客信息涉入度均比较低时，旅游系统自然恢复与政府采取信息策略的恢复效果大致相同，且政府反应越激烈，前期市场份额下降越快。在管理启示方面，对于游客信息涉入度和媒体关注度低的旅游危机事件，景区管理者可等待市场的自然恢复，在应急响应和短期恢复阶段不必大量投入资源到信息策略中。对于游客信息涉入度和媒体关注度高的旅游危机事件，应及时采取高力度的信息策略。尽管这样会引起危机信息关注度增强，游客观望者增多，导致前期短时间内市场份额下降幅度更大，但也能够更大范围修复游客信任，对于更快促进市场恢复具有帮助。
（2）受风险感知的影响，信息策略的旅游市场恢复效果随时间推移呈现先下降后上升的“U”形变化趋势。信息策略的投入力度越高，旅游市场份额的回升拐点越靠前。这一特点在媒体关注度和游客信息涉入度越高的情况下体现得越为明显。管理启示在于，如果管理者需要尽快实现市场回弹，可采取高力度的信息策略。对于媒体关注度和游客信息涉入度高的危机事件，高力度的信息策略比低力度的信息策略的市场份额回升拐点提前10天（基于本文的案例设定，不同案例数值可能存差异），这段时间对处于旅游旺季的旅游目的地来说是十分宝贵的。但是，媒体关注度和游客信息涉入较低时，在应急响应和短期恢复阶段，不同力度的信息策略对市场份额回升拐点的作用并不明显，管理者可适当减少信息策略的投入。
（3）信息策略对不同力度的价格策略恢复效果差异存在放大效应。在管理实践中可综合运用信息策略和价格策略，通过信息公开和积极的媒体沟通，让更多公众了解到景区在价格管理方面做出的努力，包括下调门票价格或门票折扣、加强景区内市场价格监管、提供专项补贴等，恢复游客信任，从而取得更好的市场恢复效果。
研究的局限性主要包括以下3个方面：首先，本文主要研究旅游宰客事件爆发后的应急响应和短期恢复策略，未来可探讨长期恢复策略，例如目的地合理规划、完善监管体制、提升供给设施等促进目的地长远健康发展的策略;其次，在仿真模型中，本文关注游客智能体和目的地智能体在外部环境刺激下的改变和交互作用，未来研究可引入更多的智能体，如提供景区和周边食宿、购物、娱乐的服务商，提供交通、食宿预订的旅游服务平台等，使模型更完善;最后，尽管基于多智能体建模能够更贴近现实地模拟游客行为，并为市场恢复策略提供定量评估，但由于旅游系统涉及因素复杂、一些数据获取困难，使模型变量和参数设定难以做到精准，因此，本研究主要提供了趋势性定量预测，还未实现对旅游市场的精准预测，这也是未来研究需继续改进的方向。
参考文献（References）
[1] 周辉， 陈淑凌， 崔亚梅. 基于演化博弈的旅游市场监管机制研究[J]. 系统工程学报， 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] 侯国林. 旅游危机：类型、影响机制与管理模型[J]. 南开管理评论， 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， 邓贵平. 论旅游景区危机管理模型的构建[J]. 财贸经济， 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] 刘睿， 李星明. 四川旅游震后响应的实证研究[J]. 旅游学刊， 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] 孟慶国， 罗杭. 基于多智能体的城市群政府合作建模与仿真——嵌入并反馈于一个异构性社会网络[J]. 管理科学学报， 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的景区游客行为仿真建模与应用——以颐和园为例[J]. 旅游学刊， 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] 艾媒网. 黑龙江双峰林场“雪乡宰客”事件輿情监测报告[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] 黑龙江省旅游发展委员会. 黑龙江省冰雪旅游专项规划（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] 许春晓， 周美静， 王甫园. 旅游目的地选择意愿的影响因素——以韶山为例[J]. 经济地理， 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] 李玮娜. 国外经典旅游目的地选择模型述评[J]. 旅游学刊， 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] 赵现红. 基于游客特性的旅游目的地离散选择实证研究——以三大口岸中转型入境游客为例[J]. 旅游学刊， 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] 卞显红. 旅游者目的地选择影响因素分析[J]. 地理与地理信息科学， 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] 马秋芳， 孙根年， 谢雪梅. 基于虚拟变量回归的旅游花费模型构建[J]. 统计与决策， 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] 孙丹丹， 徐晓燕. 基于agent仿真的在线客户评论传播机制研究[J]. 运筹与管理， 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] 张红贤， 游细斌， 白伟杉， 等.目的地旅游吸引力测算及相关因素分析[J]. 经济地理， 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. 多主体视角下移动社交网络舆论危机信息传播机理研究[J]. 情报科学， 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] 邹宏霞， 罗芬， 向晶. 信息涉入差异对旅游目的地行前形象影响分析[J]. 经济地理， 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. 基层执法人员的信任困境及其破解之道——从 “宰客”的认知说起[J]. 中国行政管理， 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. 互联网信息评价对游客信息行为和出游决策的影响研究[J]. 旅游学刊， 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] 王炼， 贾建民. 突发性灾害事件风险感知的动态特征——来自网络搜索的证据[J]. 管理评论， 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
[責任编辑：刘 鲁;责任校对：王 婧]
[关键词]旅游宰客;多智能体建模;市场恢复;动态演化
[中图分类号]F59
[文献标识码]A
[文章编号]1002-5006（2020）08-0048-13
Doi： 10.19765/j.cnki.1002-5006.2020.08.011
引言
旅游业在促进区域商业活动、提高经济收入和创造就业等方面发挥着重要作用。然而，旅游信息的不对称性、旅游消费的低重复性等特点为宰客现象在旅游市场的蔓延提供了温床[1]。2015年10月，青岛“天价虾”事件轰动全国;2016年2月，哈尔滨“天价鱼”事件也备受热议;2017年12月，“雪乡宰客”事件再次刷爆网络。宰客现象是旅游市场中被游客普遍抱怨的顽疾之一，不少游客有过体验，这些宰客事件信息经过各类媒体扩散，迅速升温发酵，在大范围内引发公众的共鸣和强烈反应，可能导致潜在游客改变或取消旅游计划[2-3]，引起旅游市场和相关行业的经济下滑，甚至引发社会问题[4]。因此，宰客事件爆发后，如何采取科学有效的策略尽快恢复旅游市场，是旅游业危机管理亟须解决的问题。
旅游危机是指影响游客对旅游目的地的旅游信心，扰乱旅游市场持续正常运行的非预期性事件[5]。为了有效管理危机，一些组织机构和学者根据危机的生命周期对危机管理进行了阶段划分。Faulkner将旅游危机管理划分为6个阶段，事前预防阶段、前兆阶段、应急响应阶段、短期恢复阶段、长期恢复阶段和达到新稳定状态的解决阶段[6]。不同阶段的危机管理重点存在差异。本文主要针对危机爆发后的应急响应和短期恢复阶段，探讨旅游市场恢复策略，原因在于：一方面，该阶段各类危机信息快速传播引起公众广泛讨论，危机事件不断发酵，危害程度迅速增加[7]，如未及时采取措施，公众刻板的负面旅游目的地形象一旦形成，后期心理修复的成本巨大;另一方面，由于时间紧迫，巨大的社会压力和高昂的试错成本导致管理者容易陷入决策困境[8]，如果不能实现对危机的有效干预，或者干预策略失误，将导致危机影响的进一步扩大。
梳理现有文献发现，旅游危机管理策略可大致分为3类：第一类是旅游功能修复类策略，如景区重建[3]、产品结构调整[9]、引进服务商[1]、折扣和价格补贴[10];第二类是心理修复类策略，如目的地形象声誉修复、信心恢复[3]、定位和营销[11];第三类是信息沟通管理类策略，如信息公开、媒体沟通[12]等。在应急响应和短期恢复阶段，价格策略和信息策略发挥着重要作用。Okuyama通过问卷调研发现，信息策略和价格策略是旅游危机事件发生后短期恢复的重要策略[4]。Laarman和Gregersen对以往文献进行综述，指出政府通过价格监管、补贴等形式使游客总体的旅游费用维持在一定范围之内，有助于短期内快速吸引更多游客[10]。Beirman基于案例研究了信息沟通在游客恢复过程中发挥的重要作用[12]。Mair等认为，提供及时准确的信息是应急响应的重要方式[3]，因为广泛的媒体报道会影响游客的风险感知[11]，进而影响游客的目的地选择行为。
目前，关于旅游危机管理策略的研究已经有了丰硕的成果，但是其在推演过程和实践应用方面仍然存在着一些局限：（1）对游客的异质性考虑不足。已有研究往往将游客视为一个整体或划分为少量细分市场，而在实际旅游活动中，游客年龄、性别、经济条件、旅游偏好等差异带来的决策行为上的不同会对旅游市场管理策略实施的效果具有重要影响。（2）难以体现旅游系统的开放、动态特征。现有研究往往建立在有序、封闭、静态的假设基础上[13]，但事实上，系统内部各个部分之间、系统内部与外部环境之间会不断地在一定时间和空间范围内发生相互作用。（3）目前，该领域文献仍以定性研究为主，少量文献采用了文献梳理或基于某个案例的定量分析方法[3]。总体而言，难以验证市场恢复策略的有效性和适用条件，难以预估策略引起的市场反应的演变发展动态过程。
为了克服上述局限，本文尝试结合复杂性科学理论与建模方法，采用多智能体建模（agent-based model， ABM）技术探讨应急响应和短期恢复阶段的旅游危机管理策略，并对策略的适用条件和实施效果进行评估。基于多智能体建模只需考虑极少的假设条件，就能对复杂系统进行高度还原的仿真模拟[14]。并且，与传统模型相比，基于多智能体建模能够充分考虑个体间的异质性和行为的适应性[15]，展现智能体间的交互性[16]。基于多智能体建模的方法目前已经在游客行为、景区营销等研究领域中获得了成功应用。例如，黎巎采用基于多智能体建模方法模拟了颐和园内的客流分布[17];Reintinger等运用基于多智能体模型评估了人口统计因素和社会经济因素的变化对德国两个旅游区旅游需求的影响[18];Balbi等针对欧洲某滑雪场建立多智能体模型，评估各种经营策略的实施效果，研究发现增加非滑雪类旅游项目是促进该滑雪场未来发展的最佳选择[19]。但是该方法在旅游危机管理领域尚处于起步阶段，迫切需要更多深入的研究。
本研究期望达到以下两个目的：第一，使用基于多智能体建模方法构建游客目的地选择模型，充分反映游客异质性、旅游系統动态发展和交互作用过程，深入理解游客对危机事件和不同策略的反应;第二，仿真模拟不同策略实施后的旅游市场需求的动态演化过程，帮助景区管理者对策略效果形成预判，用更低的试错成本，找到科学有效的旅游恢复策略组合，遏制旅游危机蔓延，促进旅游市场更快恢复。 1 案例背景
雪乡位于黑龙江省海林市，是黑龙江省冰雪旅游的主打品牌之一[20]，国家4A级景区。2016年，雪乡全年旅游产业收入2.3亿元，带动相关产业收入为5.0亿元，2017年旅游产值高达6.1亿，强有力地推动了区域经济的发展1。2017年12月29日，一篇名为《雪乡的雪再白也掩盖不掉纯黑的人心！别再去雪乡了！》的公众号推文引发了“雪乡宰客”话题的讨论。此后，中央电视台、《人民日报》《北京青年报》等各类媒体对该事件进行大量报道，引发舆情高峰。根据艾媒网舆情报告[21]，“雪乡宰客”事件中，网友大多持负面评价，普遍结合自身旅游体验对该地旅游行业存在的各类问题提出批评和质询，诸多游客表示将取消雪乡旅游计划，甚至很多言论带有地区符号，“东北”成为舆情热词，引发地域之争。“雪乡宰客”作为最近一起引爆网络舆论的宰客事件，在引发原因、事件演化過程和政府响应策略等方面都与以往影响力较大的几起宰客事件有诸多相似之处，具有典型代表性，因此，本文选择“雪乡宰客”事件作为案例背景。
为了尽可能模拟还原“雪乡宰客”事件对目的地旅游市场的影响，本文选取了哈尔滨（市区）、亚布力、雪乡和镜泊湖4个目的地，构建旅游竞争市场模拟系统。哈尔滨、亚布力、雪乡和镜泊湖均为黑龙江省冰雪产业的先行示范区“哈亚牡”地区的知名目的地[22]，地理位置接近，游客来往频繁。4个目的地既相互关联又彼此竞争，其中，哈尔滨是一座国际时尚冰雪都市，各类旅游资源丰富，也是黑龙江省最大的客流集散中心;亚布力位于尚志市，距哈尔滨市198千米、牡丹江市120千米，以滑雪旅游度假为特色，是国家4A级景区，拥有国家5S级滑雪场;镜泊湖位于宁安市，与雪乡所在的海林市均属于牡丹江市下辖县级市，镜泊湖是中国最大、世界第二大高山堰塞湖，被评为世界地质公园、国家5A级旅游区。哈尔滨-亚布力-雪乡-镜泊湖滑雪旅游度假带是黑龙江省重点打造的一梯队黄金冰雪旅游线路。该线路每年的旅游旺季为冬季，所以本文主要研究4个目的地冬季（12月—次年2月）的旅游市场情况。为了体现旅游系统的开放性特征，在模拟中游客可以选择上述4个目的地，也可选择黑龙江省的其他区域进行游览，系统只跟踪记录选择了上述4个目的地的游客数据，选择了其他目的地的游客视为退出模拟系统。
2 模型设计
2.1 游客智能体
旅游目的地选择是游客多阶段决策的行为过程[23]，影响旅游决策的因素众多，主要可归结为两个方面[24]：来自旅游者自身的内部因素和来自旅游目的地的外部因素。主要影响因素包括消费偏好[25]、预算资金[19]、时间限制[26]、旅游价格[27]、旅游产品质量[28]和风险感知[29]等。因此，对于游客智能体，本文主要设置了以下4个属性：（1）偏好（ai）：游客智能体拥有不同的活动偏好，目的地与游客偏好相符的景点或活动评分越高，吸引游客选择该目的地的可能性越大。（2）风险感知（Rpi）：是指游客对目的地可能发生各种风险的综合认知。（3）预算（Tci）：是游客愿意为此次旅游行付出的最高资金，主要指在目的地内的全部花费。（4）计划游玩时间（Tdi）：是指游客为完成此次旅游所愿意花费的最大天数。由于游客的预算、计划游玩时间和风险感知会受到人口统计学特征、客源地等多种因素的综合影响。如马秋芳等[30]认为旅游花费受到客源地、性别、婚姻等多达15种因素的影响。各因素分布是相互独立且随机的，单个因素难以对决策起到决定性作用。在观测对象个体数量较大时（游客数量N>1000 000），依据大数定理和中心极限定理，属性的数值分布可以近似视为正态分布，这一处理方式在建模中得到了广泛的采用。如Balbi等[19]在评估滑雪场营销策略效果时将游客对几类滑雪设施的偏好阈值设为正态分布;孙丹丹和徐晓燕将客户对产品的初始认知度也作为正态分布处理[31]。因此，本文假设游客的预算、计划游玩时间和游客对目的地的风险感知均服从正态分布，来充分反映游客之间的异质性。
2.2 目的地智能体
每个目的地内均包含多个景点，本文根据格尔德纳的景区分类理论，按照景点主要资源类型将景点划分为文化、自然、节庆、游憩、娱乐等5个活动类型。每个目的地均包含上述5类活动中的一种或多种。与游客智能体相对应，目的地智能体设置了吸引力（Si）、费用水平（ci）、最佳游玩天数（di）3个属性。Vengesayi认为，目的地吸引力反映了游客对目的地满足游客需求程度的感知能力[32]，一个目的地满足游客需求的程度越高，越能够吸引游客。张红贤等研究表明，目的地吸引力与接待游客量呈显著的正比关系，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历史客流量比例和各类活动在线评论评分共同反映，且吸引力随游客反馈评价动态变化。费用水平是指每位游客在某一目的地内的历史日均花费水平。最佳游览时间根据“百度旅游”给出的建议游玩天数确定。
2.3 旅游市场恢复策略
信息策略是应急响应和短期恢复阶段普遍采用的旅游危机管理策略。积极的信息策略对于降低游客风险感知、消除危机的负面影响发挥着关键作用[3，12]。分析我国影响力较大的旅游宰客事件资料，发现在实践中政府普遍采取了信息策略，按照其投入力度可分为3个层次：低力度的信息策略，如有关部门调查涉事企业，接受媒体采访，向大众公布处理结果;中力度的信息策略，如政府召开专题会议，多次强调相关管理规定和条例，组织媒体进行报道;高力度的信息策略，如政府官方发言人或相关部门领导积极与媒体沟通，主动在公开场合作出解释，频繁发布宣传正面目的地形象的信息。
危机信息传播过程涉及的主体主要包括政府、媒体和公众[34]，所以信息策略的实施效果不仅受到政府投入力度的影响，也受信息传播媒介和接收者的制约。邹宏霞等指出，信息涉入的差异对于游客对目的地的认知具有重大影响[35]。Wahlberg和Sjoberg的研究也发现，媒体报道、游客对旅游危机事件的熟悉和关注程度等会影响游客的风险感知[36]，进而影响游客的目的地选择行为。因此，本模型引入媒体关注度、游客信息涉入度两个变量，按其程度高低区分组成4种情境，研究不同情境下政府信息策略的有效性。 价格策略也是应急响应和短期恢复中常用的旅游市场恢复策略，对于游客量恢复具有重要作用[10，13]。在我国，政府的价格策略通常包括下调门票价格或门票折扣、加强景区内市场价格监管、提供专项补贴等多种形式，目的是为了将游客在目的地内的基本旅游费用控制在一定范围内[9]，降低旅游门槛，吸引更多游客。根据旅游目的地每日人均费用水平的降低程度，模型将价格策略分为高、中、低3种实施力度。本文将分析不同力度下这两种恢复策略的实施效果，模拟可能出现的策略矩阵，探讨两种策略3个力度下的组合优化问题。
2.4 游客行为决策规则
国内外关于目的地选择模型的代表性成果主要有旅游决策过程模型[37]、选择域模型[38]、计划行为理论模型、基于随机效用理论的离散选择模型[39]等。旅游决策过程模型是游客主体视角的多阶段理性决策过程，在解释游客目的地选择决策中发挥着重要作用。本文根据经典的五阶段模型将游客目的地选择过程分为5个阶段，分别为：确定备选目的地、备选目的地评估（包括吸引力评估、费用评估、风险感知评估和游玩天数评估）、访问目的地、离开目的地、反馈评价。
模型框架如图1所示。每个目的地智能体具有不同的吸引力水平、最佳游玩天数以及费用水平。游客智能体则结合自身的活动偏好、计划游玩时间、预算、风险感知进行评估，做出是否选择以及选择哪个候选目的地的决策。游客智能体离开目的地后，以一定的概率对旅游目的地进行反馈评价，改变目的地原吸引力评分。基于多智能体模型可通过改变模型参数来模拟一种情境的发生[40，43]。宰客是指以非法手段获得消费者所不能接受的过高利润的行为[41]，宰客事件影响的关键是促使人们形成对旅游目的地“高风险”的预判[42]，进而影响到旅游决策。因此，本文通过改变游客风险感知、目的地费用水平等属性参数来模拟旅游宰客事件发生情境。信息策略和价格策略分别作用于游客智能体的风险感知和目的地智能体的费用属性参数。
假设任意一名游客T，其活动偏好为a，游玩预算为Tc，计划游玩天数为Td，当前游玩天数为Pd。
（1）选择候选目的地。系统内存在N个候选目的地，根据历史游客接待量，设置不同的被选择概率。目的地Di的被选择概率为P（Di），且[i=1NPDi=1]。游客T按照既定概率随机选择一个目的地作为其候选目的地Dc。之后，游客T针对目的地Dc按顺序展开评估，若一项评估通过即进入下一项，未通过则重新选择候选目的地。当系统内目的地均不能满足需求时，游客T离开仿真系统。
（2）吸引力评估。系统认为目的地与游客偏好相符的活动评分越高，游客对其吸引力评估越高。因此，假设候选目的地Dc的活动a的评分为Sa，活动a的最高可能评分为Smax，则候选目的地Dc有P1=Sa/Smax的概率通过游客T的吸引力评估，进入（3）;有P2=1-P1的概率重新选择候选目的地，返回（1）。
（3）风险感知评估。系统假设游客的风险感知服从N（μr， σr）的正态分布，假设游客T当前的风险感知为Rp，系统内的风险感知阈值为Rt，当Rp < Rt时，游客风险感知处于可接受水平，进入（4），否则返回（1）。
（4）费用评估。假设候选目的地Dc的最佳游玩天数为d，日均费用为c，当[Tc-c×d≥0]且[Td≥d]时，游客访问候选目的地，進入（5），否则返回（1）。
（5）访问目的地。游客T访问通过上述评估条件的目的地，随单位仿真时间的变化更新其实际驻留天数dt，当dt=d时，进入（6）。
（6）离开目的地。游客在目的地停留的第d天，更新游客游玩预算Tc’=Tc-c×d，更新计划游玩天数为Td’=Td-d。
（7）反馈评价。游客在离开目的地后，有P（c）的概率进行反馈评价。游客对目的地Dc的活动a的具体评分采用5级评分制，即i∈{1，2，3，4，5}的概率为P（i），且[i=15P（i）=1]。新一周期的目的地活动评分Slater由前一周期的基础评分Sbefore和游客的反馈评分Stourists共同决定，即Slater=Sbefore+（1-β）Stourists，其中β是权重分配系数。
（8）检查游玩天数。当游客剩余的计划游玩天数不小于未选目的地中最小的最佳游玩天数，即Td≥min{d1，d2，…，dn}时，游客可再次重新随机选择候选目的地。
3 仿真系统设置与检验
3.1 仿真环境及相关参数设置
NetLogo软件是实现多智能体建模的常用仿真平台，操作简单，功能强大，并且能够以图形化或者数据统计的形式直观地展示仿真过程，研究者可根据需要自行设计软件界面和数据输出方式。本文使用NetLogo 6.0.3软件进行模型仿真，模拟游客每年冬季（12月—次年2月）前往4个目的地的旅游行为。系统以天作为最小时间单位，3个月为1周期，时间跨度6个周期。每个周期初对游客智能体初始化。游客通过既定决策规则选择是否进入系统，系统中的游客选择某个或多个目的地进行游玩，游客离开系统后，系统自动更新游客智能体和目的地智能体的属性参数，同时输出各目的地当日游客到达人数和累计到达人数。本文的数据来源除官方统计数据外，还收集了携程网、百度旅游、百度指数等平台的互联网数据。模型主要参数的数据来源、计算方式、初始仿真参数如表1所示。其中，携程网中相关目的地景点信息、在线评论和游记等数据通过Python编程环境下的requests库和beautifulsoup 4库定向采集，共采集游记2250篇，评论53 644条。
仿真系统只需设置初始游客智能体投入量，就可以根据既定规则自动完成后续模拟，输出仿真结果。鉴于4个目的地具体游客数量未有官方数据公布，而几个目的地又均属于区域内知名目的地，拥有较高的网络关注度，已有研究表明，在线评论量与销量存在正向相关关系，在线评论量可作为销量的预测因子[47]，因此，为了尽可能地构建贴近真实情况的仿真环境，本文以各目的地所属地（县）级市《国民经济和社会发展统计公报》中公布的全年总接待旅游人数为基础，乘以目的地每年开放天数比例，再使用携程网中各目的地的在线评论数量在对应地（县）级市所有目的地在线评论总量中的占比，进行比例划分，最终得出各目的地的近似游客量，用于仿真模型游客智能体投入数量的初始化。受系统负荷和运行效率限制，本文初始设置20 000个游客智能体，每个游客智能体代表现实中具有相似特征的2500名游客。同时，考虑到旅游市场中游客的自然增长现象，系统依据黑龙江省近3年（2015—2017年）平均游客量增长百分比，设置每年15%的自然增长率。 3.2 仿真系统验证
仿真系统验证主要包括概念结构测试和模拟输出测试[43]。首先，设置5个单位的游客智能体，观察每个游客智能体的行为是否符合预期规则以及各模块数据输出是否吻合;然后变换系统内关键属性的仿真参数值来检验模型灵敏度。100次独立实验结果表明，程序运行正确，费用、风险感知等参数能够引起仿真系统各目的地游客数量的灵敏变化，系统可以满足研究需要。模型输出的有效性和稳健性检验使用2012—2016年4个目的地的游客量经验数据与仿真数据的对比来完成，取20次系统运行结果的平均值来控制仿真输出不确定性的影响。图2分别展示了2012—2016年冬季，雪乡游客量和市场份额的经验数据与模拟数据的对比。如图2所示，除个别年份雪乡游客市场骤变外，系统整体模拟效果良好，其中，2013年受在雪乡取景的综艺节目《爸爸去哪儿》热播的影响，雪乡知名度飙升，所以仿真值与验数据间误差较大。可见，本文的变量选取、规则设定和参数设置可以较好地模拟游客的目的地选择行为。
表2展示了4个目的地详细的经验数据、实际数据和相对误差。可见，在本文的模型参数设置和仿真环境下，仿真数据与经验数据之间基本呈相同的变化态势，误差也被控制在一定范围内，最大相对误差不超过23%。且市场份额的仿真误差比绝对游客量的更小。为了进一步检验游客量数值变化是否会影响目的地市场份额仿真结果输出，本文将初始游客量调整为原实验的50%再次进行检验，对比发现，两次模拟结果基本一致。这是因为仿真模型中目的地属性参数和游客决策过程均遵从既定规则，在目的地可承载的范围内，目的地市场份额不受系统内总游客数量变化的影响。因此，下文主要基于市场份额进行研究。同时，市场份额还可以更加直观明了地反映市场情况，减少自然增长趋势的干扰。
4 仿真结果分析
4.1 信息策略的影响分析
旅游业是一个信息敏感型产业[44]，旅游者的出行决策强烈依赖于信息搜索，互联网已成为当前人们获取旅游信息的最重要渠道[45]。王炼和贾建民研究发现，网络搜索可作为刻画公众风险感知动态特征的指标[46]。基于百度搜索引擎的海量数据，百度指数能够反映某关键词在百度的搜索规模。观察“雪乡宰客”的百度指数，其变化过程与指数分布类似，且随时间衰减。即宰客事件爆发后，公众提交网络搜索请求的过程是一个泊松过程，第k次随机事件与k+1次随机事件出现的时间间隔服从指数分布[46]。假设游客的风险感知服从正态分布，保持标准差不变，宰客事件爆发后游客的风险感知均值在原基础上受媒体关注度、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，且这些因素的作用随时间而削弱。参考孙丹丹和徐晓燕[31]在研究网络口碑对顾客认知影响时的公式推导过程，修正后的风险感知均值如下：
[μ’=μ+s×w×e-（p+0.05）t] （1）
其中，μ’表示宰客事件爆发后游客风险感知的均值，μ表示宰客事件爆发前游客的风险感知均值，s表示媒体关注度，w表示游客信息涉入度，p表示 政府恢复策略的力度，t表示距开始采取恢复策略的天数。
本文将媒体关注度和游客信息涉入度分为高低两组，模拟现实中高媒体关注度、高游客信息涉入度（记为A1），高媒体关注度、低游客信息涉入度（记为A2），低媒体关注度、高游客信息涉入度（记为A3）和低媒体关注度、低游客信息涉入度（记为A4）4种情境。通过对实际“雪乡宰客”百度指数的拟合，设定p=0，p=0.05，p=0.15和p=0.25分别对应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。图3展示了4种情境下，政府不同力度信息策略的市场恢复的效果。
综合观察图3（a）和图3（d），信息策略使目的地市场份额出现先下降再上升后达到稳定状态的“U”形趋势;当媒体关注度和游客信息涉入度越高时，信息策略的恢复效果越明显。但是，宰客事件爆发后不论政府采取多大力度的信息策略进行补救，仍然难以达到未发生宰客前的市场份额，说明旅游宰客事件会在一定时间内对于当地旅游业发展产生难以磨灭的负面影响。在高媒体关注度和高游客信息涉入度的情况下，如图3（a）所示，高力度的信息策略不仅能最大程度地恢复目的地市場份额，而且能使市场份额回升拐点提前，并更早达到稳定状态。如图3（b）和图3（c）所示，在影响力一般的宰客事件中，积极的信息策略虽然会导致前期短时间内市场份额下降幅度增大，但也能够更大范围修复游客信任，对于更快促进市场恢复具有帮助。但值得注意的是，在媒体关注度和游客信息涉入度均较小时，如图3（d），旅游系统自然恢复状态下的恢复效果和政府采取信息策略的最终效果大致相同，反而政府反应越激烈，前期市场份额下降越快。可能的解释是，政府的过度参与反而导致危机的进一步扩散，公众对危机信息关注度增加，使事件被过度放大，导致前期短时间内市场份额下降幅度更大，但是事件被放大部分会随时间减弱，游客的风险决策逐渐回归到正常水平。
4.2 价格策略的影响分析
与前文分析相对应，本文将政府的价格策略力度分为3层，通过设置不同的目的地智能体费用水平加以反映。据中央台视台报道，雪乡正常物价水平下的每日人均旅游费用（/元，下同）为c=600。“雪乡宰客”中涉及的旅游费用约为正常费用的2倍，即c=1200。据此，本文设置当政府不采取价格策略时，c=1200;政府采取高、中和低3种力度的价格策略时，分别对应c=300，c=600和c=900，模拟雪乡的市场份额动态变化，假设所有游客均能够第一时间接收到雪乡价格调整的信息（图4），政府是否采取价格策略严重影响着雪乡的市场份额。采取低力度的价格策略相对于不采取时，市场份额可提升1倍左右;政府所采取的价格策略力度越高，雪乡市场份额提升越大;且价格策略对市场份额恢复的作用效果较平稳，随时间推移变化不大。然而，实际旅游活动中存在信息滞后的现象，价格策略的实施效果也会受到游客的接收程度、媒体报道等因素影响，因此，本文进一步模拟了综合考虑价格因素和信息传播后的目的地市场份额变化情况。 4.3 恢复策略综合评估模拟
在现实场景下，政府往往可能同时采取多种策略。当政府同时采取信息策略和价格策略时，由于实施力度的不同，可能发生的策略组合可形成一个三阶矩阵，共包含9种情况。图5对比了9种可能的策略组合的游客恢复效果。可见，一种策略力度保持不变的情况下，另一种策略的力度越高游客恢復效果越好。但是整体而言，提高信息策略力度对于市场份额的提升效果好于价格策略，例如，观察图5（a）、图5（d）和图5（g）发现，在高力度信息策略的情况下，从低力度的价格策略到中力度再到高力度，市场份额分别提升1.01%和0.26%，提升幅度分别为0.14和0.03;图5（a）、图5（b）和图5（c）显示，在高力度的价格策略下，低力度的信息策略到中力度再到高力度，市场份额分别提升1.43%和0.51%，提升幅度为0.21和0.06。此外，信息策略的力度越大，游客市场份额上升的拐点越靠前;并且，随着信息策略力度的增加，不同力度的价格策略恢复效果的差异进一步被放大。
5 结论
科学有效的危机管理对于降低旅游危机事件给目的地经济、社会带来的损失，促进旅游业持续健康发展具有战略意义。然而传统研究对游客异质性、旅游系统的动态性、开放性等特征关注不足，对市场恢复策略的有效性和适用条件缺少验证，并且难以对策略效果及其动态演化趋势形成预判。因此，本文以“雪乡宰客”事件为例，基于多智能体建模的方法，利用多渠道互联网数据，构建了游客目的地选择模拟系统，并评估了不同策略对市场恢复的影响作用。本文的理论贡献在于，在旅游危机管理领域创新性地引入基于多智能体的建模方法，在考虑游客异质性、旅游系统动态性与开放性的基础上，构建了游客目的地选择行为模拟系统，对比研究了应急响应和短期恢复阶段，不同力度的信息策略和价格策略及其组合对旅游市场恢复的作用以及动态演化过程，为旅游市场恢复策略定量评估提供了新的研究路径参考，为旅游危机管理研究作出了有益的补充和扩展。
本文的主要研究结论和管理启示如下：
（1）以往的学术研究和旅游危机管理实践中，关注重点往往是采取哪些策略类型，而缺少对策略实施力度及其适用边界的探讨。本文研究发现，对于媒体关注度和游客信息涉入度高的危机事件，采取高力度的信息策略能够最大程度地实现旅游市场的恢复;但是，当媒体关注度和游客信息涉入度均比较低时，旅游系统自然恢复与政府采取信息策略的恢复效果大致相同，且政府反应越激烈，前期市场份额下降越快。在管理启示方面，对于游客信息涉入度和媒体关注度低的旅游危机事件，景区管理者可等待市场的自然恢复，在应急响应和短期恢复阶段不必大量投入资源到信息策略中。对于游客信息涉入度和媒体关注度高的旅游危机事件，应及时采取高力度的信息策略。尽管这样会引起危机信息关注度增强，游客观望者增多，导致前期短时间内市场份额下降幅度更大，但也能够更大范围修复游客信任，对于更快促进市场恢复具有帮助。
（2）受风险感知的影响，信息策略的旅游市场恢复效果随时间推移呈现先下降后上升的“U”形变化趋势。信息策略的投入力度越高，旅游市场份额的回升拐点越靠前。这一特点在媒体关注度和游客信息涉入度越高的情况下体现得越为明显。管理启示在于，如果管理者需要尽快实现市场回弹，可采取高力度的信息策略。对于媒体关注度和游客信息涉入度高的危机事件，高力度的信息策略比低力度的信息策略的市场份额回升拐点提前10天（基于本文的案例设定，不同案例数值可能存差异），这段时间对处于旅游旺季的旅游目的地来说是十分宝贵的。但是，媒体关注度和游客信息涉入较低时，在应急响应和短期恢复阶段，不同力度的信息策略对市场份额回升拐点的作用并不明显，管理者可适当减少信息策略的投入。
（3）信息策略对不同力度的价格策略恢复效果差异存在放大效应。在管理实践中可综合运用信息策略和价格策略，通过信息公开和积极的媒体沟通，让更多公众了解到景区在价格管理方面做出的努力，包括下调门票价格或门票折扣、加强景区内市场价格监管、提供专项补贴等，恢复游客信任，从而取得更好的市场恢复效果。
研究的局限性主要包括以下3个方面：首先，本文主要研究旅游宰客事件爆发后的应急响应和短期恢复策略，未来可探讨长期恢复策略，例如目的地合理规划、完善监管体制、提升供给设施等促进目的地长远健康发展的策略;其次，在仿真模型中，本文关注游客智能体和目的地智能体在外部环境刺激下的改变和交互作用，未来研究可引入更多的智能体，如提供景区和周边食宿、购物、娱乐的服务商，提供交通、食宿预订的旅游服务平台等，使模型更完善;最后，尽管基于多智能体建模能够更贴近现实地模拟游客行为，并为市场恢复策略提供定量评估，但由于旅游系统涉及因素复杂、一些数据获取困难，使模型变量和参数设定难以做到精准，因此，本研究主要提供了趋势性定量预测，还未实现对旅游市场的精准预测，这也是未来研究需继续改进的方向。
参考文献（References）
[1] 周辉， 陈淑凌， 崔亚梅. 基于演化博弈的旅游市场监管机制研究[J]. 系统工程学报， 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] 侯国林. 旅游危机：类型、影响机制与管理模型[J]. 南开管理评论， 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， 邓贵平. 论旅游景区危机管理模型的构建[J]. 财贸经济， 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] 刘睿， 李星明. 四川旅游震后响应的实证研究[J]. 旅游学刊， 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] 孟慶国， 罗杭. 基于多智能体的城市群政府合作建模与仿真——嵌入并反馈于一个异构性社会网络[J]. 管理科学学报， 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的景区游客行为仿真建模与应用——以颐和园为例[J]. 旅游学刊， 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] 艾媒网. 黑龙江双峰林场“雪乡宰客”事件輿情监测报告[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] 黑龙江省旅游发展委员会. 黑龙江省冰雪旅游专项规划（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] 许春晓， 周美静， 王甫园. 旅游目的地选择意愿的影响因素——以韶山为例[J]. 经济地理， 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] 李玮娜. 国外经典旅游目的地选择模型述评[J]. 旅游学刊， 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] 赵现红. 基于游客特性的旅游目的地离散选择实证研究——以三大口岸中转型入境游客为例[J]. 旅游学刊， 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] 卞显红. 旅游者目的地选择影响因素分析[J]. 地理与地理信息科学， 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] 马秋芳， 孙根年， 谢雪梅. 基于虚拟变量回归的旅游花费模型构建[J]. 统计与决策， 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] 孙丹丹， 徐晓燕. 基于agent仿真的在线客户评论传播机制研究[J]. 运筹与管理， 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] 张红贤， 游细斌， 白伟杉， 等.目的地旅游吸引力测算及相关因素分析[J]. 经济地理， 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. 多主体视角下移动社交网络舆论危机信息传播机理研究[J]. 情报科学， 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] 邹宏霞， 罗芬， 向晶. 信息涉入差异对旅游目的地行前形象影响分析[J]. 经济地理， 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. 基层执法人员的信任困境及其破解之道——从 “宰客”的认知说起[J]. 中国行政管理， 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. 互联网信息评价对游客信息行为和出游决策的影响研究[J]. 旅游学刊， 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] 王炼， 贾建民. 突发性灾害事件风险感知的动态特征——来自网络搜索的证据[J]. 管理评论， 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
[責任编辑：刘 鲁;责任校对：王 婧]