影响游客满意度的景区特征分析——以上海为例

刘鑫玥 邱灿华

（同济大学经济与管理学院，上海 200092）

引言

“互联网+”推动传统产业转型升级，掀起数字化浪潮，大量在线旅游平台也应运而生。越来越多的游客会撰写评论记录旅行体验，表达真实想法与直观感受。随着在线评论影响力的增加与文本分析技术的发展，很多学者开始研究评论文本。然而，在旅游领域，通过文本评论追踪游客满意度的研究较少，并且影响游客满意度的因素是不同的，每个方面都需要单独考虑。已有研究大多只关注了促使游客满意的相关因素，很少关注造成游客不满意的因素。针对这些局限，本研究旨在利用用户生成内容发现促使游客满意和造成游客不满意的关键因素，为景区发展提供明确方向。

一、研究现状

已有众多研究关注影响游客满意度的因素，亚伯拉罕·皮扎姆（Abraham Pizam）首先将顾客满意概念应用到旅游领域研究中，提出游客满意度是游客对旅游目的地的预期和真实体验进行比较后而产生的综合评价[1]。大卫·鲍文（David Bowen）将期望、绩效、特征、情绪、公平、不一致6 个方面作为影响因素纳入游客满意度的研究[2]。索文·哈恩（Sowon Hahn）等采取实地调查方法对游客满意度进行研究，结果表明，在旅游项目开始之前提供额外的信息可以提高游客满意度[3]。

已有研究大多通过设置满意度综合评价指数检测游客满意度，将低得分视为不满意，而忽略了不满意因素，这就使得研究将导致游客满意度低的因素视为不满意影响因素。根据弗雷德里克·赫兹伯格（Fredrick Herzberg）的双因素激励理论[4]，满意和不满意是两个独立的因素，可能同时存在于顾客体验中。由于造成顾客满意和不满意的因素并不相同，分别研究造成游客满意与不满意的因素十分必要。目前，只有少数旅游领域研究分别讨论满意与不满意因素，这一领域还存在很大的局限性，需要进一步研究[1]。

二、方法设计

（一）数据收集与预处理

本文以上海市为例，根据《上海旅游资源图志》对上海旅游资源的分类标准[5]，结合景区的实际特征，将上海市景区分为5 类，并从5 个类别中选择热门景区进行研究（见表1）。

表1 上海市景区分类信息

本文选择在携程旅行网获得景区评论。在2022年4 月通过八爪鱼采集器，选取表1 中的25 个景区为研究对象，对其在携程旅行网上的评论内容进行爬取，最终收集24 788 条评论。使用Python 进行数据预处理。首先，过滤掉所有非中文评论，去除重复的评论文本；其次，过滤文本中出现的数字、标点符号、停用词等；最后，使用jieba 库对文本数据进行分词处理。

（二）情感分析

情感分析是自然语言处理领域的一项重要任务，利用计算机程序自动分析文本内容的情感极性，包含积极、消极与中性。情感极性可以反映顾客满意度，本文认为积极评论表示游客满意，而消极评论则代表游客不满意。使用Python 的SnowNLP 情感分析工具包对评论文本进行情感分析。在进行情感分析时，输出的情感极性值范围为0 ～1，取值在0.5 及以上的为积极评论，0.5 以下的为消极评论，且数值越接近1 表示评论越积极，越接近0 则越消极。为确保样本均衡，应使积极与消极评论数量相等。由于积极评论数量远远大于消极评论数量，应先确定每个景区中的消极评论数量，之后随机选择该景区同等数量的积极评论。

（三）LDA 主题模型

使用LDA 主题模型进行分析时，需要确定最优主题数量。本文选择困惑度和一致性作为评价指标。困惑度指标量化了文本所属主题的不确定程度，困惑度越低则主题数量越优[6]。一致性指标衡量了模型生成的每个主题所对应的高频率词语在语义上的一致性，数值越高则模型效果越好[7]。使用Python的Gensim 库得到不同主题数量的模型评价结果（见图1）。综合比较两个指标，最终选择积极评论的主题数量为15，消极评论的主题数量为12。

图1 LDA 主题数量

三、结果分析

（一）主题结果分析

使用Python 的Gensim 库分别对积极评论与消极评论构建主题模型，得到积极评论的15 个主题和消极评论的12 个主题分布。根据各主题的高频率关键词，以及各主题最具代表性的前15 条评论文本，采用人工方式总结各主题名称，结果如表2 所示。

表2 主题分析结果

参照国内外游客满意度评价指标研究，将得到的主题进一步分为4 类，包括旅游吸引物、景区服务与设施、景区管理和旅游体验，具体如表3 所示。

表3 主题分类

积极评论中，游客更多评论旅游吸引物，即旅游吸引物可以带来满意的旅游经历。消极评论中游客更多提及景区服务与设施，即景区服务与设施是造成游客不满意的主要因素。

旅游吸引物方面，上海有众多具有人文内涵的历史文化景区，游客能体会到传统文化的魅力。此外，观赏自然风光也是游客主要的旅游动机。上海商业氛围浓厚，可以满足游客吃喝玩乐的需求。游客还提到建筑楼群。例如，上海外滩上伫立着众多古典复兴大楼，给游客带来了独特体验。消极评论中，一些网红景区的过度营销造成实景与照片不符，密集的人流会导致游客抱怨。游客还评论到一些景区缺乏特色亮点，千篇一律的项目会造成游客不满。

景区服务与设施方面，积极和消极评论中都包含服务态度。积极评论中，游客强调了工作人员热情好客的服务态度；相反，消极评论中，游客抱怨工作人员服务质量低下。此外，游客表明景区内明显的引导标志可以减少时间浪费，增加游览观光的舒适度。设施方面，消极评论中尤其提到设施老旧问题，严重影响了参观体验。换票方面，游客认为在换票时需要长时间排队很麻烦。餐饮方面，游客抱怨景区内餐厅味道一般而价格很高。

（二）景区评论主题分布特征分析

对于5 个不同的景区类型，本文构建了积极评论和消极评论主题分布特征图（见图2 和图3），据此得出促进游客满意和导致游客不满意影响的评论侧重点有何不同。

图2 积极评论主题分布特征

积极评论中，参观名胜古迹的游客更多评论了历史文化和交通便利，而较少评论价格水平与亲子同乐。游览城市观光类景区的游客更多写到交通便利和景区的商业化水平。在主题乐园游玩的游客更加在意体验感和价格水平，很少关注建筑楼群。在动植物园游玩的游客更多评论了自然风光和服务态度，很少评论历史文化和体验感。参观展馆展览的游客明显写到了亲子同乐和环境卫生带来的满意经历。

消极评论中，参观名胜古迹的游客较少提到设施老旧问题，更多在意景区餐饮问题。游览城市观光类景区的游客更多抱怨了项目排队和网红地打卡的不愉快经历，而很少评论景区餐饮问题。在主题乐园游玩的游客更多抱怨了工作人员的服务态度和项目关闭问题，很少关注乐园的特色亮点。在动植物园游玩的游客更多评论了意外天气状况带来的遗憾经历，较少写到景区氛围相关内容。参观展馆展览的游客更多评论了设施老旧问题，对价格水平和景区氛围不满意，而很少提到项目关闭与天气状况。

四、结语

本文基于游客评论，根据情感得分将评论划分为积极评论与消极评论，之后运用LDA 模型挖掘游客评论中的关键信息，得到了积极评论的15 个主题和消极评论的12 个主题，再通过分析5 个不同类型景区的评论主题分布特征，得到了不同类型游客的侧重点，为游客满意度研究提供更全面的见解。

从文本挖掘的结果可以看出，积极评论的主题更多集中在旅游吸引物，证明旅游吸引物可以带来满意的旅游经历。消极评论的主题主要集中在景区服务与设施，可见景区服务与设施是造成游客不满意的主要因素。因此，景区应重视旅游吸引物建设，利用景区的历史文化内涵、优美的自然风光等提升游客满意度。同时，景区应加强工作人员培训，提高服务质量，注重景区内设施的更新维护工作，以减少造成游客不满意的因素。