基于多智能體建模的旅游危機管理策略研究

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。文章運用基于多智能體建模方法，融合多源數據，從微觀異質性游客決策過程和游客-目的地間交互作用的視角，構建游客目的地選擇模型，在此基礎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效果及其動態演化趨勢，并探討了恢復策略的組合優化問題。研究發現，信息策略的恢復效果隨時間演化呈現先下降后上升的“U”形變化趨勢，并且在不同媒體關注度和游客信息涉入度的宰客事件中，信息策略的實施效果呈現顯著的差異性。價格策略在時間維度上的恢復過程較為平穩;當兩種策略同時實施時，信息策略對不同力度價格策略恢復效果的差異存在放大效應，并且能使旅游市場提前回溫。

[關鍵詞]旅游宰客;多智能體建模;市場恢復;動態演化

[中圖分類號]F59

[文獻標識碼]A

[文章編號]1002-5006（2020）08-0048-13

Doi： 10.19765/j.cnki.1002-5006.2020.08.011

引言

旅游業在促進區域商業活動、提高經濟收入和創造就業等方面發揮著重要作用。然而，旅游信息的不對稱性、旅游消費的低重復性等特點為宰客現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，“雪鄉宰客”事件再次刷爆網絡。宰客現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過各類媒體擴散，迅速升溫發酵，在大范圍內引發公眾的共鳴和強烈反應，可能導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行業的經濟下滑，甚至引發社會問題[4]。因此，宰客事件爆發后，如何采取科學有效的策略盡快恢復旅游市場，是旅游業危機管理亟須解決的問題。

旅游危機是指影響游客對旅游目的地的旅游信心，擾亂旅游市場持續正常運行的非預期性事件[5]。為了有效管理危機，一些組織機構和學者根據危機的生命周期對危機管理進行了階段劃分。Faulkner將旅游危機管理劃分為6個階段，事前預防階段、前兆階段、應急響應階段、短期恢復階段、長期恢復階段和達到新穩定狀態的解決階段[6]。不同階段的危機管理重點存在差異。本文主要針對危機爆發后的應急響應和短期恢復階段，探討旅游市場恢復策略，原因在于：一方面，該階段各類危機信息快速傳播引起公眾廣泛討論，危機事件不斷發酵，危害程度迅速增加[7]，如未及時采取措施，公眾刻板的負面旅游目的地形象一旦形成，后期心理修復的成本巨大;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致管理者容易陷入決策困境[8]，如果不能實現對危機的有效干預，或者干預策略失誤，將導致危機影響的進一步擴大。

梳理現有文獻發現，旅游危機管理策略可大致分為3類：第一類是旅游功能修復類策略，如景區重建[3]、產品結構調整[9]、引進服務商[1]、折扣和價格補貼[10];第二類是心理修復類策略，如目的地形象聲譽修復、信心恢復[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。在應急響應和短期恢復階段，價格策略和信息策略發揮著重要作用。Okuyama通過問卷調研發現，信息策略和價格策略是旅游危機事件發生后短期恢復的重要策略[4]。Laarman和Gregersen對以往文獻進行綜述，指出政府通過價格監管、補貼等形式使游客總體的旅游費用維持在一定范圍之內，有助于短期內快速吸引更多游客[10]。Beirman基于案例研究了信息溝通在游客恢復過程中發揮的重要作用[12]。Mair等認為，提供及時準確的信息是應急響應的重要方式[3]，因為廣泛的媒體報道會影響游客的風險感知[11]，進而影響游客的目的地選擇行為。

目前，關于旅游危機管理策略的研究已經有了豐碩的成果，但是其在推演過程和實踐應用方面仍然存在著一些局限：（1）對游客的異質性考慮不足。已有研究往往將游客視為一個整體或劃分為少量細分市場，而在實際旅游活動中，游客年齡、性別、經濟條件、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施的效果具有重要影響。（2）難以體現旅游系統的開放、動態特征。現有研究往往建立在有序、封閉、靜態的假設基礎上[13]，但事實上，系統內部各個部分之間、系統內部與外部環境之間會不斷地在一定時間和空間范圍內發生相互作用。（3）目前，該領域文獻仍以定性研究為主，少量文獻采用了文獻梳理或基于某個案例的定量分析方法[3]。總體而言，難以驗證市場恢復策略的有效性和適用條件，難以預估策略引起的市場反應的演變發展動態過程。

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

本研究期望達到以下兩個目的：第一，使用基于多智能體建模方法構建游客目的地選擇模型，充分反映游客異質性、旅游系統動態發展和交互作用過程，深入理解游客對危機事件和不同策略的反應;第二，仿真模擬不同策略實施后的旅游市場需求的動態演化過程，幫助景區管理者對策略效果形成預判，用更低的試錯成本，找到科學有效的旅游恢復策略組合，遏制旅游危機蔓延，促進旅游市場更快恢復。

1 案例背景

雪鄉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。2016年，雪鄉全年旅游產業收入2.3億元，帶動相關產業收入為5.0億元，2017年旅游產值高達6.1億，強有力地推動了區域經濟的發展1。2017年12月29日，一篇名為《雪鄉的雪再白也掩蓋不掉純黑的人心！別再去雪鄉了！》的公眾號推文引發了“雪鄉宰客”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行大量報道，引發輿情高峰。根據艾媒網輿情報告[21]，“雪鄉宰客”事件中，網友大多持負面評價，普遍結合自身旅游體驗對該地旅游行業存在的各類問題提出批評和質詢，諸多游客表示將取消雪鄉旅游計劃，甚至很多言論帶有地區符號，“東北”成為輿情熱詞，引發地域之爭。“雪鄉宰客”作為最近一起引爆網絡輿論的宰客事件，在引發原因、事件演化過程和政府響應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“雪鄉宰客”事件作為案例背景。

為了盡可能模擬還原“雪鄉宰客”事件對目的地旅游市場的影響，本文選取了哈爾濱（市區）、亞布力、雪鄉和鏡泊湖4個目的地，構建旅游競爭市場模擬系統。哈爾濱、亞布力、雪鄉和鏡泊湖均為黑龍江省冰雪產業的先行示范區“哈亞牡”地區的知名目的地[22]，地理位置接近，游客來往頻繁。4個目的地既相互關聯又彼此競爭，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，擁有國家5S級滑雪場;鏡泊湖位于寧安市，與雪鄉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，被評為世界地質公園、國家5A級旅游區。哈爾濱-亞布力-雪鄉-鏡泊湖滑雪旅游度假帶是黑龍江省重點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。為了體現旅游系統的開放性特征，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域進行游覽，系統只跟蹤記錄選擇了上述4個目的地的游客數據，選擇了其他目的地的游客視為退出模擬系統。

2 模型設計

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，主要可歸結為兩個方面[24]：來自旅游者自身的內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偏好[25]、預算資金[19]、時間限制[26]、旅游價格[27]、旅游產品質量[28]和風險感知[29]等。因此，對于游客智能體，本文主要設置了以下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）風險感知（Rpi）：是指游客對目的地可能發生各種風險的綜合認知。（3）預算（Tci）：是游客愿意為此次旅游行付出的最高資金，主要指在目的地內的全部花費。（4）計劃游玩時間（Tdi）：是指游客為完成此次旅游所愿意花費的最大天數。由于游客的預算、計劃游玩時間和風險感知會受到人口統計學特征、客源地等多種因素的綜合影響。如馬秋芳等[30]認為旅游花費受到客源地、性別、婚姻等多達15種因素的影響。各因素分布是相互獨立且隨機的，單個因素難以對決策起到決定性作用。在觀測對象個體數量較大時（游客數量N>1000 000），依據大數定理和中心極限定理，屬性的數值分布可以近似視為正態分布，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施的偏好閾值設為正態分布;孫丹丹和徐曉燕將客戶對產品的初始認知度也作為正態分布處理[31]。因此，本文假設游客的預算、計劃游玩時間和游客對目的地的風險感知均服從正態分布，來充分反映游客之間的異質性。

2.2 目的地智能體

每個目的地內均包含多個景點，本文根據格爾德納的景區分類理論，按照景點主要資源類型將景點劃分為文化、自然、節慶、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，目的地智能體設置了吸引力（Si）、費用水平（ci）、最佳游玩天數（di）3個屬性。Vengesayi認為，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變化。費用水平是指每位游客在某一目的地內的歷史日均花費水平。最佳游覽時間根據“百度旅游”給出的建議游玩天數確定。

2.3 旅游市場恢復策略

信息策略是應急響應和短期恢復階段普遍采用的旅游危機管理策略。積極的信息策略對于降低游客風險感知、消除危機的負面影響發揮著關鍵作用[3，12]。分析我國影響力較大的旅游宰客事件資料，發現在實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，如有關部門調查涉事企業，接受媒體采訪，向大眾公布處理結果;中力度的信息策略，如政府召開專題會議，多次強調相關管理規定和條例，組織媒體進行報道;高力度的信息策略，如政府官方發言人或相關部門領導積極與媒體溝通，主動在公開場合作出解釋，頻繁發布宣傳正面目的地形象的信息。

危機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知具有重大影響[35]。Wahlberg和Sjoberg的研究也發現，媒體報道、游客對旅游危機事件的熟悉和關注程度等會影響游客的風險感知[36]，進而影響游客的目的地選擇行為。因此，本模型引入媒體關注度、游客信息涉入度兩個變量，按其程度高低區分組成4種情境，研究不同情境下政府信息策略的有效性。

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

2.4 游客行為決策規則

國內外關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揮著重要作用。本文根據經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、費用評估、風險感知評估和游玩天數評估）、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、最佳游玩天數以及費用水平。游客智能體則結合自身的活動偏好、計劃游玩時間、預算、風險感知進行評估，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行反饋評價，改變目的地原吸引力評分。基于多智能體模型可通過改變模型參數來模擬一種情境的發生[40，43]。宰客是指以非法手段獲得消費者所不能接受的過高利潤的行為[41]，宰客事件影響的關鍵是促使人們形成對旅游目的地“高風險”的預判[42]，進而影響到旅游決策。因此，本文通過改變游客風險感知、目的地費用水平等屬性參數來模擬旅游宰客事件發生情境。信息策略和價格策略分別作用于游客智能體的風險感知和目的地智能體的費用屬性參數。

假設任意一名游客T，其活動偏好為a，游玩預算為Tc，計劃游玩天數為Td，當前游玩天數為Pd。

（1）選擇候選目的地。系統內存在N個候選目的地，根據歷史游客接待量，設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入下一項，未通過則重新選擇候選目的地。當系統內目的地均不能滿足需求時，游客T離開仿真系統。

（2）吸引力評估。系統認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，進入（3）;有P2=1-P1的概率重新選擇候選目的地，返回（1）。

（3）風險感知評估。系統假設游客的風險感知服從N（μr， σr）的正態分布，假設游客T當前的風險感知為Rp，系統內的風險感知閾值為Rt，當Rp < Rt時，游客風險感知處于可接受水平，進入（4），否則返回（1）。

（4）費用評估。假設候選目的地Dc的最佳游玩天數為d，日均費用為c，當[Tc-c×d≥0]且[Td≥d]時，游客訪問候選目的地，進入（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際駐留天數dt，當dt=d時，進入（6）。

（6）離開目的地。游客在目的地停留的第d天，更新游客游玩預算Tc=Tc-c×d，更新計劃游玩天數為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是權重分配系數。

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

3 仿真系統設置與檢驗

3.1 仿真環境及相關參數設置

NetLogo軟件是實現多智能體建模的常用仿真平臺，操作簡單，功能強大，并且能夠以圖形化或者數據統計的形式直觀地展示仿真過程，研究者可根據需要自行設計軟件界面和數據輸出方式。本文使用NetLogo 6.0.3軟件進行模型仿真，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則選擇是否進入系統，系統中的游客選擇某個或多個目的地進行游玩，游客離開系統后，系統自動更新游客智能體和目的地智能體的屬性參數，同時輸出各目的地當日游客到達人數和累計到達人數。本文的數據來源除官方統計數據外，還收集了攜程網、百度旅游、百度指數等平臺的互聯網數據。模型主要參數的數據來源、計算方式、初始仿真參數如表1所示。其中，攜程網中相關目的地景點信息、在線評論和游記等數據通過Python編程環境下的requests庫和beautifulsoup 4庫定向采集，共采集游記2250篇，評論53 644條。

仿真系統只需設置初始游客智能體投入量，就可以根據既定規則自動完成后續模擬，輸出仿真結果。鑒于4個目的地具體游客數量未有官方數據公布，而幾個目的地又均屬于區域內知名目的地，擁有較高的網絡關注度，已有研究表明，在線評論量與銷量存在正向相關關系，在線評論量可作為銷量的預測因子[47]，因此，為了盡可能地構建貼近真實情況的仿真環境，本文以各目的地所屬地（縣）級市《國民經濟和社會發展統計公報》中公布的全年總接待旅游人數為基礎，乘以目的地每年開放天數比例，再使用攜程網中各目的地的在線評論數量在對應地（縣）級市所有目的地在線評論總量中的占比，進行比例劃分，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量的初始化。受系統負荷和運行效率限制，本文初始設置20 000個游客智能體，每個游客智能體代表現實中具有相似特征的2500名游客。同時，考慮到旅游市場中游客的自然增長現象，系統依據黑龍江省近3年（2015—2017年）平均游客量增長百分比，設置每年15%的自然增長率。

3.2 仿真系統驗證

仿真系統驗證主要包括概念結構測試和模擬輸出測試[43]。首先，設置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期規則以及各模塊數據輸出是否吻合;然后變換系統內關鍵屬性的仿真參數值來檢驗模型靈敏度。100次獨立實驗結果表明，程序運行正確，費用、風險感知等參數能夠引起仿真系統各目的地游客數量的靈敏變化，系統可以滿足研究需要。模型輸出的有效性和穩健性檢驗使用2012—2016年4個目的地的游客量經驗數據與仿真數據的對比來完成，取20次系統運行結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，雪鄉游客量和市場份額的經驗數據與模擬數據的對比。如圖2所示，除個別年份雪鄉游客市場驟變外，系統整體模擬效果良好，其中，2013年受在雪鄉取景的綜藝節目《爸爸去哪兒》熱播的影響，雪鄉知名度飆升，所以仿真值與驗數據間誤差較大。可見，本文的變量選取、規則設定和參數設置可以較好地模擬游客的目的地選擇行為。

表2展示了4個目的地詳細的經驗數據、實際數據和相對誤差。可見，在本文的模型參數設置和仿真環境下，仿真數據與經驗數據之間基本呈相同的變化態勢，誤差也被控制在一定范圍內，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。為了進一步檢驗游客量數值變化是否會影響目的地市場份額仿真結果輸出，本文將初始游客量調整為原實驗的50%再次進行檢驗，對比發現，兩次模擬結果基本一致。這是因為仿真模型中目的地屬性參數和游客決策過程均遵從既定規則，在目的地可承載的范圍內，目的地市場份額不受系統內總游客數量變化的影響。因此，下文主要基于市場份額進行研究。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 仿真結果分析

4.1 信息策略的影響分析

旅游業是一個信息敏感型產業[44]，旅游者的出行決策強烈依賴于信息搜索，互聯網已成為當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現，網絡搜索可作為刻畫公眾風險感知動態特征的指標[46]。基于百度搜索引擎的海量數據，百度指數能夠反映某關鍵詞在百度的搜索規模。觀察“雪鄉宰客”的百度指數，其變化過程與指數分布類似，且隨時間衰減。即宰客事件爆發后，公眾提交網絡搜索請求的過程是一個泊松過程，第k次隨機事件與k+1次隨機事件出現的時間間隔服從指數分布[46]。假設游客的風險感知服從正態分布，保持標準差不變，宰客事件爆發后游客的風險感知均值在原基礎上受媒體關注度、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]在研究網絡口碑對顧客認知影響時的公式推導過程，修正后的風險感知均值如下：

[μ=μ+s×w×e-（p+0.05）t] （1）

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

本文將媒體關注度和游客信息涉入度分為高低兩組，模擬現實中高媒體關注度、高游客信息涉入度（記為A1），高媒體關注度、低游客信息涉入度（記為A2），低媒體關注度、高游客信息涉入度（記為A3）和低媒體關注度、低游客信息涉入度（記為A4）4種情境。通過對實際“雪鄉宰客”百度指數的擬合，設定p=0，p=0.05，p=0.15和p=0.25分別對應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先下降再上升后達到穩定狀態的“U”形趨勢;當媒體關注度和游客信息涉入度越高時，信息策略的恢復效果越明顯。但是，宰客事件爆發后不論政府采取多大力度的信息策略進行補救，仍然難以達到未發生宰客前的市場份額，說明旅游宰客事件會在一定時間內對于當地旅游業發展產生難以磨滅的負面影響。在高媒體關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目的地市場份額，而且能使市場份額回升拐點提前，并更早達到穩定狀態。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致前期短時間內市場份額下降幅度增大，但也能夠更大范圍修復游客信任，對于更快促進市場恢復具有幫助。但值得注意的是，在媒體關注度和游客信息涉入度均較小時，如圖3（d），旅游系統自然恢復狀態下的恢復效果和政府采取信息策略的最終效果大致相同，反而政府反應越激烈，前期市場份額下降越快。可能的解釋是，政府的過度參與反而導致危機的進一步擴散，公眾對危機信息關注度增加，使事件被過度放大，導致前期短時間內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，本文將政府的價格策略力度分為3層，通過設置不同的目的地智能體費用水平加以反映。據中央臺視臺報道，雪鄉正常物價水平下的每日人均旅游費用（/元，下同）為c=600。“雪鄉宰客”中涉及的旅游費用約為正常費用的2倍，即c=1200。據此，本文設置當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c=300，c=600和c=900，模擬雪鄉的市場份額動態變化，假設所有游客均能夠第一時間接收到雪鄉價格調整的信息（圖4），政府是否采取價格策略嚴重影響著雪鄉的市場份額。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，雪鄉市場份額提升越大;且價格策略對市場份額恢復的作用效果較平穩，隨時間推移變化不大。然而，實際旅游活動中存在信息滯后的現象，價格策略的實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 恢復策略綜合評估模擬

在現實場景下，政府往往可能同時采取多種策略。當政府同時采取信息策略和價格策略時，由于實施力度的不同，可能發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效果。可見，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）發現，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效果的差異進一步被放大。

5 結論

科學有效的危機管理對于降低旅游危機事件給目的地經濟、社會帶來的損失，促進旅游業持續健康發展具有戰略意義。然而傳統研究對游客異質性、旅游系統的動態性、開放性等特征關注不足，對市場恢復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演化趨勢形成預判。因此，本文以“雪鄉宰客”事件為例，基于多智能體建模的方法，利用多渠道互聯網數據，構建了游客目的地選擇模擬系統，并評估了不同策略對市場恢復的影響作用。本文的理論貢獻在于，在旅游危機管理領域創新性地引入基于多智能體的建模方法，在考慮游客異質性、旅游系統動態性與開放性的基礎上，構建了游客目的地選擇行為模擬系統，對比研究了應急響應和短期恢復階段，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的作用以及動態演化過程，為旅游市場恢復策略定量評估提供了新的研究路徑參考，為旅游危機管理研究作出了有益的補充和擴展。

本文的主要研究結論和管理啟示如下：

（1）以往的學術研究和旅游危機管理實踐中，關注重點往往是采取哪些策略類型，而缺少對策略實施力度及其適用邊界的探討。本文研究發現，對于媒體關注度和游客信息涉入度高的危機事件，采取高力度的信息策略能夠最大程度地實現旅游市場的恢復;但是，當媒體關注度和游客信息涉入度均比較低時，旅游系統自然恢復與政府采取信息策略的恢復效果大致相同，且政府反應越激烈，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注度低的旅游危機事件，景區管理者可等待市場的自然恢復，在應急響應和短期恢復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注度高的旅游危機事件，應及時采取高力度的信息策略。盡管這樣會引起危機信息關注度增強，游客觀望者增多，導致前期短時間內市場份額下降幅度更大，但也能夠更大范圍修復游客信任，對于更快促進市場恢復具有幫助。

（2）受風險感知的影響，信息策略的旅游市場恢復效果隨時間推移呈現先下降后上升的“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越靠前。這一特點在媒體關注度和游客信息涉入度越高的情況下體現得越為明顯。管理啟示在于，如果管理者需要盡快實現市場回彈，可采取高力度的信息策略。對于媒體關注度和游客信息涉入度高的危機事件，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提前10天（基于本文的案例設定，不同案例數值可能存差異），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，媒體關注度和游客信息涉入較低時，在應急響應和短期恢復階段，不同力度的信息策略對市場份額回升拐點的作用并不明顯，管理者可適當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效果差異存在放大效應。在管理實踐中可綜合運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在價格管理方面做出的努力，包括下調門票價格或門票折扣、加強景區內市場價格監管、提供專項補貼等，恢復游客信任，從而取得更好的市場恢復效果。

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后的應急響應和短期恢復策略，未來可探討長期恢復策略，例如目的地合理規劃、完善監管體制、提升供給設施等促進目的地長遠健康發展的策略;其次，在仿真模型中，本文關注游客智能體和目的地智能體在外部環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，如提供景區和周邊食宿、購物、娛樂的服務商，提供交通、食宿預訂的旅游服務平臺等，使模型更完善;最后，盡管基于多智能體建模能夠更貼近現實地模擬游客行為，并為市場恢復策略提供定量評估，但由于旅游系統涉及因素復雜、一些數據獲取困難，使模型變量和參數設定難以做到精準，因此，本研究主要提供了趨勢性定量預測，還未實現對旅游市場的精準預測，這也是未來研究需繼續改進的方向。

參考文獻（References）

[1] 周輝， 陳淑凌， 崔亞梅. 基于演化博弈的旅游市場監管機制研究[J]. 系統工程學報， 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：類型、影響機制與管理模型[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. 論旅游景區危機管理模型的構建[J]. 財貿經濟， 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. 四川旅游震后響應的實證研究[J]. 旅游學刊， 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性社會網絡[J]. 管理科學學報， 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的景區游客行為仿真建模與應用——以頤和園為例[J]. 旅游學刊， 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. 黑龍江雙峰林場“雪鄉宰客”事件輿情監測報告[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] 黑龍江省旅游發展委員會. 黑龍江省冰雪旅游專項規劃（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]. 經濟地理， 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. 國外經典旅游目的地選擇模型述評[J]. 旅游學刊， 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] 趙現紅. 基于游客特性的旅游目的地離散選擇實證研究——以三大口岸中轉型入境游客為例[J]. 旅游學刊， 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， 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模型構建[J]. 統計與決策， 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制研究[J]. 運籌與管理， 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， 游細斌， 白偉杉， 等.目的地旅游吸引力測算及相關因素分析[J]. 經濟地理， 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絡輿論危機信息傳播機理研究[J]. 情報科學， 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]. 經濟地理， 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. 基層執法人員的信任困境及其破解之道——從 “宰客”的認知說起[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. 互聯網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. 突發性災害事件風險感知的動態特征——來自網絡搜索的證據[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

[責任編輯：劉 ? ?魯;責任校對：王 ? ?婧]