基于网络关注度的旅游景区客流量预警：研究框架与实证分析*——以国家游泳中心水立方为例

汪秋菊,刘 宇

（北京联合大学 旅游学院,北京 100101）

基于网络关注度的旅游景区客流量预警：研究框架与实证分析*
——以国家游泳中心水立方为例

汪秋菊,刘 宇

（北京联合大学 旅游学院,北京 100101）

旅游景区客流量受多种因素的影响,利用传统信息收集的手段,从众多影响因素中捕捉客流量预警前兆指标十分困难。借助搜索指数,挖掘景区客流量预警的先兆指标,构建基于网络关注度的旅游景区客流量预警研究框架,并以奥运场馆国家游泳中心水立方为例,运用格兰杰因果关系理论及VAR模型,检验网络关注度与水立方客流量的相关性,对水立方客流量进行预测预警。研究结果表明：网络关注度与客流量之间存在双向的Granger因果关系,可以将水立方网络关注度作为客流量预警的先兆指标；预测期间内客流量的警度值在-0.49～-0.27之间,水立方客流量预警等级为客流量低值蓝色预警。

景区；客流量；预警；网络关注度；VAR模型

引言

近年来,旅游成为现代社会的重要休闲方式,我国出游人数猛增,景区人满为患,特别是重要节假日或旅游旺季,一些旅游热点景区客流量远远超过其承受的极限容量,导致景区及旅游线路超负荷承载,景区管理、配套服务协调失控,旅游资源遭到破坏,游客审美情绪被干扰,甚至引发骚乱与踩踏事件等问题。同时,旅游淡季部分旅游景区又有大量资源闲置,造成极大的浪费[1]。2013年实施的《旅游法》指出,景区是旅游流量控制的责任主体,承担着游客最大承载量预警、制定和实施旅游者流量控制方案的责任[2]。因此,景区迫切需要建立客流量预警系统,在客流量出现警情之前,给予有效的警告,采取有效措施合理调控客流量。

在预警系统构建中,寻找警情的先兆指标是非常重要的环节。而旅游景区客流量受多种因素的影响,利用传统信息收集的手段从众多影响因素中捕捉客流量前兆指标十分困难。在网络社会信息形态下,旅游信息的传播不再受时空的限制。许多旅游经营者、旅游企业以及各地的旅游政府机构都通过互联网发布旅游信息,同时许多旅游消费者也通过互联网体验虚拟旅游,了解他人感性经验,获取旅游信息,制定旅游计划及实现旅游产品预订支付等。网络关注度（即搜索指数）是以百度或谷歌等网页搜索和新闻搜索为基础的免费海量数据分析服务,反映不同关键词在过去一段时间里的“用户关注度”和“媒体关注度”[3]。网络关注度全方位地反映了消费者的兴趣和爱好,也必然在一定程度上反映了游客出游行为。因此,本文试图将游客网络关注度作为旅游客流量预警先兆指标,构建旅游景区客流量预警的研究框架,以奥运场馆水立方为例,运用计量经济学中格兰杰因果关系理论及VAR模型,检验、分析网络关注度与水立方客流量的相关性,预测旅游客流量,并测算水立方旅游最大容量与保本容量,对水立方客流量进行预警预报,旨在拓展预警相关理论,并指导景区预警实践。

一、研究综述

预警是在灾害或灾难发生前,根据事态发展规律或观测得到的可能性前兆,发出警示信号,报告危险情况,以避免危害在不知情或准备不足的情况下发生,从而最大程度地降低危害损失的行为[4]。预警理论始于军事需要,之后被广泛应用于经济、技术、政治、教育、医疗、灾变、治安等各个领域。旅游预警研究始于20世纪90年代,研究的视角主要包括旅游危机预警、旅游安全预警、旅游环境承载力预警、客流量

空间分布预警等方面,研究的尺度则涉及国家、区域、城市及景区等不同层次。景区客流量预警是以旅游预警管理理论和系统论为依托,建立的一种旅游景区客流量危机预警、预控的系统。研究者们基于不同的理论背景,对于与旅游景区客流量预警相关的旅游预警系统进行阐述。霍松涛通过对旅游目的地旅游预警系统运行机理的分析,将旅游预警系统概括为警情动态监测、警源分析、警兆识别、警度预报和地理信息技术辅助等5个子系统[5]。梁留科则从对客流影响因素分析的角度,将景区与通道的容量加以结合,构建旅游预警系统[6]。刘红芳研究了基于GIS的旅游预警系统[7]。相关研究构建了旅游景区客流量预警系统的基本框架,但由于旅游预警理论研究体系还不成熟,特别是警情的先兆指标,既有研究多是概念性的提出,而如何选择警情的先兆指标并利用先兆指标数据对客流量进行实际预测预警等内容少有涉及。

现有研究对于旅游客流量进行预测的方法主要有两种：非因果关系预测与因果关系预测。非因果关系预测主要依靠历史时间序列数据外推,建立模型来预测的。这些模型包括移动平均预测模型、指数平滑模型等基础时间序列预测模型、程序分析法、灰色系统理论、ARIMA模型、BP神经网络等。因果关系预测方法,主要是利用计量经济学方法建立客流量影响因素与客流量多元回归结构化模型预测客流量。虽然非因果关系建模在旅游客流量的预测中发挥了重要的作用,但这类方法没有对影响旅游客流变化的影响因素予以重视,当影响客流量的因素发生变化,预测的结果必然造成较大的误差。因果关系预测对客流量影响因素的历史数据完整性要求较高,而在预测中难以收集到客流量影响因素的全部数据。同时,由于多元回归结构化模型在描述经济变量之间关系,以及处理具有滞后效应的经济变量时,需要具有复杂的经济理论基础[8],增加了客流量预测的难度。

近年来,由于网络对于社会、经济的影响加深,网络关注度与客流量关系的研究日益增多。李山等选取搜索引擎上的旅游信息流为研究对象,认为旅游网络关注度是现实客流量的前兆[9]。龙茂兴等认为,在旅游系统中不同的主体有不同的利益诉求,对信息流的功能作用也有不同的理解：一方面旅游信息流对客流量具有引导作用；另一方面旅游信息流也是客流量的“前兆”[10-11]。基于网络关注度的客流量预测也进一步拓展了传统的旅游客流量预测方法。国敏建立了游客量与网络关注度的回归预测模型,黄先开建立了基于百度搜索指数的自回归分布滞后模型,并结合故宫案例得出了旅游网络关注度与客流量之间存在双向Granger因果关系,为客流量预测进行了有益的探索[12-13]。然而,尽管网络关注度的前兆效应得到了初步验证,研究方法的有效性仍需进一步探讨。Gitelson R J认为,不同旅游目的地自身特有属性吸引了具有不同社会人口特征的游客[14],依赖网络信息进行旅游决策的游客所占比重影响着旅游网络关注度与客流量的关联度[15]。此外,网络关注度与游客量两者关系的关联度还受互联网发达程度、区域人口规模、网民规模、区域间距离等诸多因素的影响[16]。因此,旅游网络关注度与实际客流量的关系存在一定的复杂性和不确定性。鉴于此,本文试图将旅游网络关注度作为先兆指标纳入景区客流量预警系统,并以科学方法验证两者之间的有效性,研究旅游景区客流量预测新方法,从而构建一个较为合理的旅游景区客流量预警的研究框架。

二、基于网络关注度的旅游景区客流量预警研究框架的构建

根据相关研究,预警系统主要由警情诊断子系统、警源分析子系统、警兆识别子系统、警度预报子系统和警度响应子系统等组成。景区客流量预警是在一定范围内对一定时期客流量的影响因素进行监测,分析客流量可能性前兆,预测客流量发展趋势,并及时发布预报的体系。由于警情诊断主要任务就是确定预警对象,本文已将景区客流量作为预报警情指标。因此本文着重从警源分析、警兆识别、警度预报和警度响应4个方面,结合现有研究成果,构建旅游景区客流量预警研究框架,如图1所示。

（一）客流量警源分析

客流量警源是指客流量警情产生的根源。尽管不同学者对客流量警源有不同认识,但警源的多维性与动态性得到了众多学者的认同。客流量警源可以归纳为推力、拉力和阻力等3个方面[17],其中,推力是指能鼓励人们出去旅游的因素,拉力是指吸引人们来景区的因素,阻力则是阻碍人们去旅游的因素。这些力量中的任意一种因素的波动都会影响与约束景区客流量,如果出现异常变化可能使旅游景区产生危机,导致旅游系统警情的出现。寻找客流量警源是分析警兆的基础,也是排除警患的前提条件。

（二）客流量警兆识别

警兆是景区客流量发生异常变化导致警情爆发之前出现的一定先兆。警兆是一种旅游客流量出现过高或过低的先导现象,是警源过渡到警情的中间状态。它在旅游客流量达到高峰或低谷之前,先行出现高峰或低谷,因而,识别客流量警兆是预警系统十分重要的环节。

图1 基于网络关注度的旅游景区客流量预警研究框架

由于旅游网络关注度与客流量的相关性存在不确定性,不能直接将旅游网络关注度作为先兆指标纳入预警系统,而要采用相关系数、格兰杰因果检验等方法对旅游网络关注度与景区客流量相关性进行验证。另外,将以旅游为目的的网络关注度从其他目的对景区关注中识别出来,是景区客流量警兆识别另一个重要任务。网络搜索关键词的选择是十分重要的,搜索的关键词应尽可能包括与景区旅游相关“吃、住、行、游、购、娱”六要素的所有信息,同时在收集搜索指数数据时要尽可能覆盖整个网络空间（百度引擎、谷歌引擎及其他引擎）,从而能客观、全面地反映游客出游前的行为。

（三）客流量警度预报

警度,即警情的程度。客流量警度预报首先要确定预警等级和标准,然后预测景区客流量,衡量警情严重程度,最后将预警的结果及时发布出去,让游客和景区能了解当前的状态,方便游客科学合理地做出选择。

1.预警等级和标准的确定

警度值是基于旅游最高容量Vmax（无害于景区可持续发展的客流量）与旅游最低容量Vmin（保证景区不亏不赢时的客流量）计算求得的,警度值计算公式与取值区间见表1。当客流量大于Vmax时,警度值等于V/Vmax,警度值取值区间为（1,+∞）；当客流量等于Vmax时,警度值等于1；当客流量小于Vmax且大于Vmin时,警度值为（V-Vmin）/（Vmax-Vmin）,警度值取值区间为（1,0）；当客流量等于Vmin时,警度值为0；当客流量小于Vmin时,警度值为（V-Vmin）/Vmin,警度值取值区间为（0,-1]。

表1 警度值计算公式与取值区间

警度值在0与1之间没有警情；当警度值大于1时,警度值越大,景区游客超载越严重,对应的预警等级也越高；当警度值小于0,警度值越小,景区对游客

吸引力越差,对应的预警等级也越高。参考国务院颁布的《国家突发公共事件总体应急预案》的思路,将预警等级按照游客警度值的大小,划分为三级：Ⅰ级（重警）、Ⅱ级（轻警）、Ⅲ级（无警）,依次用黄色、蓝色和绿色表示。每一预警等级对应的警度区间范围与景区景观特点、人力资源配备数量、景区管理水平等有关,不同类型的景区各预警等级对应的警度取值区间是不同的,各景区一般要结合自身实际情况来设定各预警等级对应的警度取值区间。

2.景区客流量的预测

由于目前反映旅游网络关注度与客流量两者关系的理论,不足以为变量间的联系提供有力的支持,因而基于网络关注度的景区客流量预测更适宜采用非结构模型预测。除了采用前面提到的自回归分布滞后模型外,还可以采用分布滞后模型、自回归模型、向量自回归模型（VAR）、向量误差修正模型（VEC）等,旅游景区可结合自身的数据特点,建立相应的非结构模型来预测景区客流量。

（四）应急响应预案的设计

由于景区客流量超过旅游最高容量Vmax或低于旅游保本容量Vmin都可以出现警情,因而我们从这客流量高值预警和低值预警两个方面,启动相应的应急响应预案。

景区客流量高值预警方案分为3个级别,分别对应黄色、蓝色、绿色3种警报色。绿色级别启动客流监控应急预案,实时监控客流量,在景区收费处、入口处、景区官方网站,必要时还要通过旅游公共服务信息平台、公共媒体等途径公布最大承载量,保障旅游者的知情权和选择权；蓝色级别启动客流引导应急预案,实时预报景区客流量及发展趋势,采取门票预售的方式对景区接待游客的数据进行控制,做好游客分流工作；黄色级别启动客流疏散应急预案,在黄色应急预案基础上,景区要合理调整景区内部旅游线路,提高游客的流动率,增加景区服务人员的配备,增设清晰的景区标志,引导游客,以避免造成不必要的拥堵。

景区客流量低值预警方案也有3个级别,主要围绕旅游产品开发、服务质量、营销推广等方面,采取不同的措施,提升景区核心竞争力,扩大景区的知名度。

三、实证分析

（一）数据来源

国家游泳中心水立方是2008年北京奥运会水上项目的比赛场馆。奥运会后水立方积极进行转型,已成为集参观、嬉水休闲、大型赛事活动为一体的旅游景区。由于水立方是一个室内场馆,容量相对有限,能够事先预警对于其运营具有重要意义。本文依据前述理论框架,对水立方客流量进行预测预警。

根据国家游泳中心水立方提供的相关数据,本文选取2010年8月1日至2011年12月31日间水立方奥运场馆日客流量为研究对象,水立方日客流量由参观、游泳、嬉水游客数量叠加而成,如图2所示。

图2 水立方的客流量随时间变化曲线

水立方日客流量变化曲线呈现周期波动的特征。节假日时暑期水立方客流量处于高峰期；1月、3月、9月和12月,水立方客流量处于低谷期。

结合水立方经营特点,本文选取“水立方”、“水立方嬉水乐园”、“水立方游泳”、“水立方门票”等搜索关键词,通过网络关注度变化曲线,获得2010年8月1日至2011年12月31日各个搜索关键词对应的日网络关注度,然后再把这些数据叠加,即可得到水立方日网络关注度的数据（见图3）。水立方网络关注度变化曲线也呈现周期波动的特征,在节假日、暑期水立方网络关注度也出现了峰值。

图3 水立方的网络关注度随时间变化曲线

（二）旅游网络关注度与客流量相关性分析

为避免因旅游网络关注度与客流量数据不平稳而产生“伪回归”问题,利用Eviews 6.0,运用ADF方法检验数据的平稳性。经检验,旅游网络关注度（GZD）与客流量（RS）的ADF值分别为-3.487和-3.775,而且概率P值都小于0.05,旅游网络关注度与客流量原序列是平稳的。

为分析两个变量之间的相关性,在建立VAR模型之前,我们采用Granger因果关系方法,对水立方网络关注度与客流量是否构成因果关系进行验证。由于Granger因果关系检验对滞后的阶数非常敏感。为此我们在滞后期的选择上考虑了两个因素：一是以AIC和SC最小信息准则；二是旅游网络关注度对客流量的影响有一定的滞后性。根据这两个因素,最终选择滞后期数为8天。Granger因果关系检验结果如表2所示。

由表2可知,网络关注度与客流量之间存在双向的Granger因果关系。

（三）VAR模型的构建

向量自回归（VAR）是处理多个经济变量的分析与预测的非结构模型。本文在研究中借助旅游网络关注度这一先验指标,建立网络关注度与景区客流量向量自回归模型（VAR）,并采用OSL估计方法对模型进行估计,估计结果见式（1）。

式（1）中,两个方程协调的拟合优度R2RS= 0.835 248,R2GZD=0.841 910。通过AR特征多项式检验,VAR模型的全部根的倒数小于1,表明所建立的VAR（8）模型是稳定的。

（四）景区客流量的预测预警

1.景区客流量预测

作为一个动态系统,由于没有当期外生变量,用VAR模型比较容易对变量进行预测。利用已建立的VAR模型,采用确定型模拟方式和静态求解递推方法,预测2010年8月1日至2011年12月22日水立方网络关注度与客流量,数据如图4所示,预测值与实际值误差较小,模型具有较好的预测能力。利用式（1）对样本期外的2011年12月23日至2011年12月31日的水立方客流量进行预测,实际人数和预测人数的对比见表。通过预测值和实际值的比较可以看出,除了12月26日误差稍微大些外,水立方客流量实际值与预测值的预测误差百分比比较小。因此,水立方可以采用此模型预测水立方客流量（如表3所示）。

图4 客流量预测值与实际值的比较

表3 客流量预测值与实际值的比 较单位：人

2.水立方旅游容量的测算

（1）旅游最大容量的测算

国家旅游局（2003）制订的《旅游规划通则》将旅游容量分为空间容量、设施容量、生态容量和社会心理容量四类。本文将旅游空间容量作为旅游最大容量,仅测算水立方资源空间容纳能力。旅游空间容量计算公式为：Vmax=（T/T0）×（A/A0）。Vmax为旅游最大容量；T为每日开放时间；T0为人均每次利用时间；A为资源的空间规模；A0为每人最低空间标准。

水立方目前可供游客自由活动的区域主要包括：奥林匹克比赛大厅、水立方热身池、多功能大厅、嬉水乐园、纪念馆、探秘馆、水滴剧场等,约占3万多m2,每日平均开放时间为8小时。到水立方游玩的游客人均每次利用时间为大约为1小时,而到水立方游泳、嬉水或参加观看赛事活动的游客人均每次利用时间为2.5个小时[18]。我们利用加权平均法测算出人均每次利用时间为2小时。一般情况下,最大人群密度是7～8人/m2。据此本文选择每人最低空间标准取8m2。根据旅游最大日容量Vmax公式,可以取得水立方最大日容量Vmax为1.5万人。

（2）旅游保本容量的测算

2011年水立方总收入为1.04亿元,其中非旅游收入占68％,参观、游泳、嬉水等旅游收入为3 328万元,水立方场馆维护、二期资产折旧、能耗等在内的总成本约为9 930万元。为简化计算,设非旅游收入为固定收入,由此我们可以计算出水立方旅游保本收入为2 858万元（等于3 328-（10 400-9 930））。游客平均每人花费为28元（等于总收入/总游客数）。这样我们就可以得出水立方维持盈亏平衡的日客流量Vmin为2 795人（28 580 000/（28元/人×365天））

3.水立方警度预报与响应

根据水立方经营现状,预警等级划分客流量高值预警与客流量低值预警,依次用黄色、蓝色和绿色表示,每一预警等级对应的警度区间范围如表4所示。

表4 水立方预警等级的设定

表5 客流量预测值警度值的测算

利用警度值计算公式,测算水立方客流量预测值的警度值,如表5所示。预测期间内水立方客流量的

警度值在-0.49～-0.27,预警等级为客流量低值蓝色预警,也就是水立方客流量没有达到保本经营要达到的客流量水平。

因而,水立方应采取客流量低值蓝色预警方案,加快旅游产品结构调整,积极开发奥运体验旅游、体育休闲旅游等产品,增强奥运场馆旅游核心竞争力,同时加大水立方营销力度,实行门票价格优惠,最大限度地提高旅游淡季资源利用率。

四、结论

本文试图将游客网络关注度作为旅游客流量预警先兆指标,构建了旅游景区客流量预警的研究框架,并以奥运场馆水立方为例,将网络关注度作为预警先兆指标,运用计量经济学中格兰杰因果关系理论及VAR模型,检验、分析了旅游网络关注度与客流量相关性,对水立方客流量进行预警预报。相关研究结论如下：

第一,通过构建基于网络关注度的旅游景区客流量预警研究框架,将网络关注度作为预警先兆指标,纳入旅游景区客流量预警系统,对客流量进行预测预警,弥补了捕捉客流量前兆指标困难的不足。同时,考虑到旅游网络关注度与客流量两者关系的既有研究不足以为变量间的联系提供充分的支持,因此,在将旅游网络关注度作为景区客流量预警先兆指标之前,必须要对网络关注度与客流量的相关性进行验证,在此基础上,建立非结构模型对客流量进行预测,预测结果更为精确。

第二,在对水立方实证研究中,水立方网络关注度是影响客流量的重要因素,客流量也是影响水立方网络关注度的重要因素,水立方网络关注度可以作为客流量的预警先兆指标；利用网络关注度与客流量数据建立VAR模型,采用确定型模拟方式和静态求解方法,对样本期外的2011年12月23日至2011年12月31日的水立方客流量进行预测,实际值与预测值的预测误差百分比比较小,因而水立方可以采用VAR模型预测客流量；利用旅游最大日容量Vmax公式,求得水立方最大日容量Vmax为1.5万人。利用盈亏平衡分析法,求得水立方保本容量Vmin为2 795人。预测期间内水立方客流量的警度值在-0.49～-0.27,表明水立方客流量预警等级为客流量低值蓝色预警。运用这一方法进行客流量预警,对奥运场馆运营管理尤为重要。奥运场馆具有投资大、维护成本高的特点,赛后奥运场馆可持续性运营一直是令奥运主办城市困惑的难题。加强奥运场馆客流量预警,准确了解奥运场馆客流量未来变化趋势,及时调整产品结构,为避免赛后场馆资源闲置,破解赛后奥运场馆运营问题提供了一个新思路。

第三,理论及实证研究表明,在网络社会信息形态下,基于网络关注度的旅游景区客流量预警研究框架是旅游预警理论的新拓展。将网络关注度作为预警先兆指标,不仅为景区客流量预测预警提供了即时性数据,也可以将本研究框架应用到区域客流量、入境客流量预警等领域。

[1]刘红芳.景区旅游预警系统分析研究[J].长春师范学院学报（自然科学版）,2009,28（6）：63-66.

[2]《〈中华人民共和国旅游法〉解读》编写组.《中华人民共和国旅游法》解读[M].北京：中国旅游出版社,2013：150-154.

[3]yj003.百度指数[EB/OL].http：//baike.baidu.com/view/1235.htm.

[4]Faulkner.Towards a framework for tourism disaster management[J]. Tourism Management,2001（22）：135-147.

[5]霍松涛.旅游目的地旅游预警系统的研究[D].开封：河南大学,2006.

[6]梁留科,周二黑,王惠玲.旅游系统预警机制与构建研究[J].地域开发与研究,2006,25（3）：72-77.

[7]刘红芳.旅游目的地预警系统的实例研究[J].新余高专学报,2009,14（5）：5-8.

[8]高铁梅.计量经济分析方法与建模[M].北京：清华大学出版社,2008.

[9]李山,邱荣旭,陈玲.基于百度指数的旅游景区网络空间关注度：时间分布及其前兆效应[J].地理与地理信息科学,2008,24（6）：102-107.

[10]马丽君,孙根年,黄芸玛.城市国内客流量与游客网络关注度时空相关分析[J].经济地理,2011,31（4）：680-685.

[11]龙茂兴,孙根年,等.区域旅游网络关注度与客流量时空动态比较分析[J].地域研究与开发,2011,30（3）：93-97.

[12]国敏.基于网络搜索技术的游客量预测方法研究[D].北京：首都师范大学,2012.

[13]黄先开,张丽峰,丁于思.百度指数与旅游景区游客量的关系及预测研究[J].旅游学刊,2013,28（11）：93-100.

[14]Gitelson R J,Crompton J L.The planning horizons and sources of information used by pleasure vacations[J].Journal of Travel Research,1983, 21（3）：2-10.

[15]汪秋菊.奥运场馆水立方的客流量与网络关注度关系分析[J].东北石油大学学报,2013（6）：67-75.

[16]龙茂兴.网络关注度的客流响应差异成因分析以张家界和遵义为例[J].地域研究与开发,2013（3）：27-29.

[17]陶伟,倪明.中西方旅游需求预测对比研究：理论基础与模型[J].旅游学刊,2010,25（8）：12-16.

[18]刘宇,王春才.水立方2012年度奥运旅游主题策划报告[C]//2012年首都旅游产业研究报告.北京：中国旅游出版社,2012：245-270.Scenic Spot Forewarning of Tourism Flow Volume Based on Degree of Consumer Attention of Travel Network：Research Framework and Empirical Analysis

Wang Qiuju,Liu Yu
（Tourism Institute of Beijing Union University,Beijing 100101,China）

This paper attempts to regard degree of consumer attention as an aura indicator of tourist flow volume in early warning system,and establish a research framework of tourist flow volume forewarning.To take the case of Water Cube as instance,we use the dates of daily tourist flow volume and Baidu index from Aug.1,2010 to Dec.31,2011,and establish VAR model using non-structural method and Granger causality analysis method,and analyze the relationship between degree of consumer attention and tourist flow volume.The results show that：there is a two-way Granger causality between degree of consumer attention and tourist flow volume.The network attention of Water Cube may be as a harbinger of early warning indicators；The forecasting values of tourism flow volume are between-0.49 and-0.27,indicating that the rate of tourism flow volume of Water Cube is warning blue level which is below the guaranteed tourism flow volume.

scenic spot；tourism flow volume；early warning；degree of consumer attention；VAR model

F592.7

A

1674-3784（2014）05-0009-07

[责任编辑：吕观盛]

北京市教育委员会社科计划面上项目（SM201411417007）

2014-03-25

汪秋菊（1972-）,女,黑龙江伊春人,北京联合大学旅游学院副教授,研究方向：管理科学与工程。

刘宇（1974-）,女,北京人,北京联合大学旅游学院副教授,研究方向：旅游经济。