張曉玲 倪月犁

摘 要：旅游目的地網絡形象預警研究是利用互聯網或客戶端平臺抓取的網絡信息對旅游目的地網絡形象進行動態監測、分析與評價，確定變化的趨勢。本文基于網絡輿情視角提取互聯網中的網絡文本數據，分析旅游目的地網絡形象的影響因子，采用詞頻分析法篩選關鍵詞確認指標屬性，利用聚類分析法構建“互聯網+”背景下旅游目的地網絡形象監測與預警指標體系。

關鍵詞：旅游目的地網絡形象;預警;影響因子;詞頻分析;聚類分析

本文索引：張曉玲，倪月犁.<標題>[J].中國商論，2021（21）：-053.

中圖分類號：F724.6 文獻標識碼：A 文章編號：2096-0298（2021）11（a）--03

近年來，從國務院到地方政府都紛紛出臺政策鼓勵“互聯網+旅游”的融合，互聯網已然成為旅游者獲取旅游目的地信息的重要渠道之一，互聯網信息、網絡輿情等成為構建旅游目的地形象的主要來源，成為旅游者行為的重要決策依據。互聯網的信息爆炸效應和輿論聚合效應，強化了旅游者對目的地形象感知的影響力度，對旅游目的地網絡形象的樹立影響顯著。因此，在“互聯網+”背景下，建立完善的旅游目的地網絡形象預警系統是有現實意義的，該預警系統對互聯網采集的相關網絡信息和輿情進行采集處理分析，既可以監測旅游者對目的地網絡形象感知的變化趨勢，以及感知形象偏離預警線的強弱程度，又可以及時向旅游目的地企業或政府發出預警信號，使其提前采取預控對策。本文的工作主要是設計在預警系統中對于預警效果有著重要影響的旅游目的地網絡形象監測與預警指標體系。

1 國內外研究現狀及趨勢

1.1 旅游目的地網絡形象的研究

目前，關于旅游目的地網絡形象的研究可分為三個方面：

（1）概念與構成要素的研究。

沈體雁等[1]（2015）認為旅游目的地網絡形象是某個時間段內互聯網信息對旅游目的地形象的詳實綜合記錄的真實體現，旅游目的地形象與網絡形象互為映射。

（2）個體網絡形象及特征的研究。

肖亮[2]等（2009）借助于互聯網的文本數據，總結出中國臺灣旅游目的地形象在互聯網傳播下的新主題。

（3）旅游目的地網絡形象網站間傳播差異的研究。

唐亮[3]等（2009）通過對比分析國內外網站的相關內容，總結出在中英文網站中，中國澳門的旅游網絡形象存在的顯著差異來源于文化的不同。

1.2 旅游預警理論的研究

旅游預警理論研究始于20世紀80年代，預警機制第一次引入我國旅游領域，但是直到20世紀90年代才出現相關學術研究，旅游預警研究按照時間軸可分為三個階段。

（1）萌芽期

1999—2002年，這一時期的研究都是以生態環境保護、景區可持續發展、旅游資源開發等為主題，圍繞著旅游危機預警的功能、指標體系、研究步驟、重要性等進行分析。

（2）成長期

2003年，旅游業發展遇到危機，研究內容開始轉向構建旅游預警機制、構建旅游預警系統和運用旅游預警信息技術等方面，但仍以定性分析為主，實證案例分析仍需深化。

（3）成熟期

2008年至今，研究領域得到迅速拓展，不僅涉及生態、經濟管理和資源環境，旅游經濟、旅游環境、旅游生命周期、旅游文化等預警方面的研究還開始得到廣泛的關注，理論體系不斷完善。

綜上所述，旅游預警理論框架和方法體系逐漸完善，但是關于旅游目的地形象預警的研究成果相對較少。而在互聯網時代，旅游目的地網絡形象已經成為大眾出行決策的重要依據，網絡形象的預警也將成為學術界、政府、旅游企業關注的熱點課題。

2 “互聯網+”背景下旅游目的地網絡形象監測與預警指標體系的構建

在旅游目的地形象預警研究過程中，科學合理的指標體系是研究的核心環節，關系到預警評價值測算結果的正確性與客觀性。

2.1 旅游目的地網絡形象影響因素分析

本文在分析了以旅游目的地網絡形象為研究對象的大量文獻，基于輿情視角，利用八爪魚軟件在互聯網上抓取的文本信息，總結旅游目的地網絡形象的影響因素，建立旅游目的地網絡形象影響因子模型。

（1）抓取的網絡文本數據信息的來源

互聯網的普及與迅猛發展弱化了傳統的單一化官方的宣傳模式，各種網絡媒體一躍成為網絡信息傳播的主要載體，也是旅游者獲取旅游目的地信息的主要渠道。因此，本文的網絡文本信息來源主要分為兩類，即官方文本和個人文本，個人文本信息采集時選取極具代表性的網絡媒體傳播平臺。

（2）總結旅游目的地網絡形象影響因子模型

旅游目的地網絡形象預警是通過對互聯網中旅游目的地形象影響因子的監測，以實現預警的目的[4]。因此，旅游目的地網絡形象影響因子模型主要是對在互聯網上抓取的與旅游目的地形象相關的文本內容進行挖掘分析，歸納形成的。該模型基于網絡輿情視角，將影響旅游目的地網絡形象的因素具體歸納為三大類，即旅游資源、全域環境和綜合管理，構建出旅游目的地網絡形象影響因子模型，如圖1所示。

2.2 詞頻分析法確定中高頻關鍵詞

本文采用八爪魚采集器采集網絡樣本信息，利用中文分詞技術整合篩選出622個關鍵詞，利用詞頻分析法確定中高頻關鍵詞 40個。

圖2表示詞頻和累積詞頻占比隨詞量變化情況，圖3是詞頻和詞量隨累積詞頻占比變化情況，綜合圖2和圖3進行分析判斷，本文選取頻次≥1600 的關鍵詞作為中高頻關鍵詞，總頻次占全部關鍵詞總頻次的60%，共確定出來40個中高頻的關鍵詞（見表1）。

2.3 旅游目的地網絡形象中高頻關鍵詞的聚類分析

為了厘清中高頻關鍵詞之間的歸類關系，對40個中高頻關鍵詞進行共詞分析，需要建立40*40的共現矩陣，再將該共現矩陣導入SPSS 軟件標準化后進行聚類分析。

聚類分析是通過對共詞關系網絡中詞與詞之間的距離進行數學運算分析，將距離較近的關鍵詞聚集起來，形成一個個概念相對獨立的類，使得類間屬性相似性最小，類內屬性相似性最大[5]。本部分利用的是K-均值聚類法[6]，同時據專家訪談和文獻資料收集以及多次聚類驗證確定聚類數目為9最為合適，通過聚類分析獲得中高頻關鍵詞的聚類結果 （見表2）。

2.4 “互聯網+”背景下旅游目的地網絡形象監測與預警指標體系的構建[7，8]

本文經過多次專家訪談和文獻分析，將9類中高頻關鍵詞歸納總結出9個三級指標分別為：A自然資源 B人文資源 C社會環境 D經濟環境 E基礎設施 F景區接待 G營銷 H景區管理 I游客滿意度，并根據旅游目的地網絡形象因子模型把9個三級指標歸納位3個二級指標，則旅游目的地網絡形象監測與預警指標體系構建完成（見表3）。

3 結語

“互聯網+”背景下旅游目的地網絡形象監測與預警指標體系是整個預警系統的核心環節，對旅游目的地網絡形象預警效果的科學性和準確性產生直接影響。科學完善的指標體系對旅游目的地網絡形象預警系統的構建，預警對策的制定提供了重要依據。

本文基于互聯網平臺抓取的網絡信息文本進行分析建立旅游目的地網絡形象影響因子模型，基于輿情視角，根據互聯網抓取的文本信息，將分析量化后的數據進行詞頻分析和聚類分析，構建了旅游目的地網絡形象監測與預警指標體系。

參考文獻

【1】沈體雁，黃寧，彭長江，等.中國景區網絡形象指數研究——基于互聯網內容分析法[J].旅游學刊，2015，30（6）：48-50.

【2】肖亮，趙黎明.互聯網傳播的臺灣旅游目的地形象——基于兩岸相關網站的內容分析[J].旅游學刊，2009，24（3）：75-81.

【3】Tang L， Choi S， Morrison A M， et al. The many faces of Macau： A correspondence analysis of the images communicated by online tourism information sources in English and Chinese[J]. Journal of Vacation Marketing，2009，15（1）：79-94.

【4】姜官爽.基于BP神經網絡模型的旅游景區網絡形象危機預警研究[D].濟南：山東師范大學，2018.

【5】王術.基于詞頻分析和共詞聚類的我國生態文明建設研究文獻可視化分析[J].圖書館研究，2014，44（6）：107-110.

【6】王瀾瑾，馮艷，張鴻勛.基于詞頻分析和可視化共詞網絡圖的云南省眾創空間孵化方向分析[J].云南科技管理，2018，31（6）.

【7】張曉玲，倪月犁.高職院校教育質量預警評價指標體系的構建[J].商業經濟，2020（6）：186-188.

【8】張曉玲，孫斐.高職院校教育質量預警模型的研究[J].職業技術，2020（9）：25-31.

Research on Monitoring and Early Warning in the Network Image of Tourism Destinations under the Background of “Internet+”

School of Tourism Management， Nanjing Institute of Tourism & Hospitality

ZHANG Xiaoling? NI Yueli

Abstract： Network image early warning research of tourism destination is to use the Internet or client platforms to capture the network information of tourism destination network image to conduct dynamic monitoring， analysis and evaluation， determining the trend of change. Based on the perspective of network public opinions， this paper extracts network text data from the Internet， analyzes the influencing factors of the network image of tourism destinations， adopts word frequency analysis method to screen keywords and confirm index attributes， and constructs an index system for monitoring and warning the network image of tourism destinations under the background of "Internet plus" by using cluster analysis method.

Keywords： network image of tourism destination; early warning; influencing factors; word frequency analysis; cluster analysis