第一章 研究背
景1.1 研究意义
在旅游研究中游客量预测一直是传统和热门的议题，国内外学者通过各种研究方法对其进行探讨而产生了丰富多样的研究成果[1]。以目前的研究成果进行分类，常用的预测方法主要分为人工智能方法、定量方法和定性方法三大类。人工智能方法包括灰色系统理论、粗集理论、神经网络模型等。定量方法可以细分为自回归模型、指数平滑模型和引力模型等。人工智能方法和定量分析方法是目前较为流行和研究集中的预测方法，如果数据年限越长，并且指标体系越完善，那么预测结果就越准确。最后一类定性方法则以德尔菲法为典型，但是由于该方法的主观性较强导致预测结果的精确度和可信度不高。如果在无法使用其他方法的情况下，该方法可以对未来某些领域方面发展方向的预测提供一定的参考价值。
当前，随着 5G 时代的到来，电脑和移动设备的便捷使用，越来越多的人们开始通过搜索引擎进行网络信息的搜索，大量的搜索数据成为反映人们消费行为和消费偏好的镜像。人们做出消费行为决策前，往往会通过搜索引擎进行相关信息的搜索，作为决策依据。国外在研究基于人群行为、喜好和态度的网络搜索数据与现实数据的预测这一方面相对成熟[1]，早期集中在疾病预测和失业率等领域[2]。随后，在票房预测、股票市场预测、房地产市场预测和居民消费预测等经济社会领域中网络搜索数据也同样得到迅速运用。2010 年以后国内的相应研究才开始逐渐兴起[1]。首先在经济学领域初露锋芒，如对股市波动分析、对居民消费价格指数（CPI，consumer price index）的预测等。随后，在网络舆情分析领域，基于互联网数据的研究优势开始逐渐显现，如蒋玉婷通过数据挖掘技术对网络某热门话题进行网络舆情预测；陈涛等在利用搜索引擎的关注度指标的基础上对舆情热度的时空演变展开了一系列研究[3]。而在旅游研究领域中，Philip Kotler（菲利普·科特勒）认为消费者的购买决策过程通常可以分为五个阶段：认识问题、搜寻信息、方案评价、购买行为和购后行为[4]。消费者如果即将去某一目的地旅游或者购买旅游产品，他们的决策也基本遵循这五个阶段。而在这一系列的决策过程中，大多数旅游者都会经过信息搜索这一非常重要的环节。互联网无疑已经成为人们获取旅游信息的主要渠道，旅游者利用搜索引擎搜索包括景区（点）、天气、交通、住宿、餐饮等在内的旅游消费过程各个阶段的相关信息[5-6]，最终根据个人情况通过大规模搜索到的旅游信息进行挑选和判断，进而做出旅游决策，完成旅行活动。
.................................
1.2 文献综述
1.2.1 旅游吸引力
旅游吸引力在旅游研究中是一个被反复研究和讨论的概念，但这么多年来一直是一个定义相对模糊的概念[10]。美国著名旅游规划专家甘恩（Gunn）认为旅游者对旅游目的地的感知和体验就是旅游吸引力[11]。MacCannell 认为旅游者、景点和旅游者对目的地形成的直观显著的印象这三个部分组成了旅游吸引力[12]。Lew 认为促使旅游者离开居住地前往目的地的旅游的所有因素就是旅游吸引力[13]。国内学者徐惠蓉认为“吸引人们旅游的力量就是旅游吸引力”[14]。聂献忠认为“目的地的旅游资源对旅游者的心理和感知刺激的程度就是旅游吸引力”[15]。吴必虎等认为目的地的若干因素综合作用和各类条件而形成的对旅游者的诱惑程度就是旅游目的地的吸引力[16]。钟艳和厉新建则认为旅游吸引力是旅游景区或景点的核心依托，具有针对性、主体性、变动性的特点，是一个具有消费者指向的动态概念和一个综合性概念[17]。陈岩英认为旅游地的吸引力是一种结构性的吸引力，它由三方面的吸引力要素共同构成的，即“旅游环境吸引力、旅游资源吸引力和旅游服务吸引力等”[18]。郭亚军也认为“旅游吸引力是一个包含自然、文化、习俗、心理和体验等各种吸引力要素的复杂系统”[19]。廖爱军认为旅游活动发生和发展的基础就是旅游吸引力，其宏观上影响着旅游业的总体发展特征，微观上影响着旅游行为的决策、方式以及空间的分布、变动[10]。目前而言，在旅游学界需要一个准确而全面的旅游吸引力的定义，笔者也希望本论文对于其定义能有一些思考和启发。
............................
第二章 模型设计
2.1 引力模型的修正
通过对旅游引力模型的梳理、搜索指数和旅游预测的综述，发现国内旅游研究大多数学者都是基于 Wilson 引力模型的修正，而对 Crampon 引力模型的研究慢慢没落了。但 Wilson 引力模型由于约束函数数量和样本数目有关系，会随着样本量的增大而增大，导致迭代过程计算量巨大，在游客量预测中运用较少，Crampon 引力模型更适合运用到游客量预测中。在保继刚运用 Crampon 引力模型预测北京市某月的游客量后，没有学者研究该模型对于以某个省、市作为客源地，对各个客源地全年的预测是否可行。此外，随着互联网 Web2.0 的普及，利用搜索指数进行游客量预测或分析，多是基于某个目的地景区或景点的搜索指数的研究，对基于目的地整体的搜索指数进行游客量预测的研究鲜少。而更需要对网络搜索数据加以关注，在引力模型中引入出游意愿变量能更好的实现预测也在此前得到证实，但是没有通过修正 Crampon 引力模型得到证实。根据上述原因，构建修正后的基于搜索指数的游客量预测引力模型，其公式为：
...........................
2.2 参数计算
............................
第三章 游客量预测引力模型的测试........................ 25
3.2 精准度检验.........................................25
3.3 结果分析...................................26
第四章 基于结果分析的管理建议......................... 30
4.1 加大客源地城市的网络布局................................ 30
4.2 提升网络营销个性化的水平................................. 33
4.3 提高官方媒体在网络搜索中的曝光度..................................35
4.4 鼓励即时性小程序的设计与开发.......................................35
第五章 结论和讨论..............................................37
第四章 基于结果分析的管理建议
4.1 加大客源地城市的网络布局
百度指数从 2013 年 7 月 1 日开始有人群画像的数据提供，其中根据关键词的搜索指数量进行了地域分布的前 Top10 省份分布和排名，但百度指数不提供具体占比和搜索指数均值。因此笔者再次以“山西”为关键词，收集了近五年，即 2014年至 2018 年的 9 月 10 日—10 月 20 日的，除山西省本省以外的 33 个省市的搜索数据（见图 4-1）。
...........................
第五章 结论和讨论
互联网背景下的搜索引擎已成为人们应用最为广泛的信息传递方式[62]。由于这种信息传递方式的可介入性和双向性, 旅游者可以通过百度等搜索引擎在出游前进行目的地的搜索，变被动为主动, 有效地进行出游决策。本文通过对 Crampon 引力模型的修正，引入百度搜索指数，并选择以山西省为例进行模型检验。目前对山西省客源市场的研究多集中于入境和省内地市，本论文将研究客源地集中在山西省以外的 29 个主要省、市，基于 2011 年至 2018 年的百度指数搜索数据，在旅游大数据发展的当下，具有很好的研究价值，并得出以下结论：
（一）引力模型中客源地居民消费水平用各省、市的居民人均消费支出替代人均 GDP 使预测更具合理性。以往的旅游引力模型研究中，客源地的居民消费水平多采用人均 GDP 来表征，但 GDP 是衡量经济发展水平，而居民人均消费支出衡量消费水平。马家慧、孙鹏在《我国城镇居民旅游消费影响因素的实证分析》中曾得出人均可支配收入与黄金周制度对旅游消费支出具有直接、长期持续的促进作用[63]。笔者在修正后的引力模型中，将这一自变量变为各省、市的居民人均消费支出，更符合旅游市场预测规律。
（二）用目的地的接待国内游客总人次数 Cj 来表征客源地 i 参与国内旅游的人次数 Ci，使各省、市来山西旅游人次数可得。由于从 2011 年以后《中国旅游统计年鉴》不在公布各省、市的出游率，而各省、市参与国内旅游人次数的数据也无从获得。通过对国内旅游绝对亲景度提出假设，用目的地接待国内游客总人次数代替，以山西省为例，经过对山西的绝对亲景度和国内旅游抽样调查的省外游客占比的数据对比，发现假设成立。但对于其他省、市是否也同样适用，有待进一步验证。
参考文献（略）